la teorÃa de las variables regionalizadas y sus aplicaciones
la teorÃa de las variables regionalizadas y sus aplicaciones
la teorÃa de las variables regionalizadas y sus aplicaciones
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Los Cua<strong>de</strong>rnos <strong>de</strong>l Centro <strong>de</strong> Morfología Matemática<strong>de</strong> FontainebleauFascículo 5LA TEORÍA DE LASVARIABLES REGIONALIZADASY SUS APLICACIONESPorGeorges MATHERON1970Traducido al español porMarco ALFARO2005
Propiedad <strong>de</strong>l Centro <strong>de</strong> Geoestadística <strong>de</strong> <strong>la</strong> Escue<strong>la</strong> <strong>de</strong> Minas <strong>de</strong> París.Prohibida su venta.1
LA TEORIA DE LAS VARIABLES REGIONALIZADAS, Y SUS APLICACIONESTABLA DE MATERIAS:PREFACIO 3Capítulo 0 – INTRODUCCION. 70-1 Notaciones 70-2 Producto <strong>de</strong> convolución 80-3 Geoestadística y Teoría <strong>de</strong> <strong>la</strong>s <strong>variables</strong> <strong>regionalizadas</strong> 90-4 Métodos transitivos y Teoría intrínseca 10Capítulo 1 – LOS METODOS TRANSITIVOS. 141-1 Ejemplo introductorio 141-2 El covariograma transitivo 161-3 Regu<strong>la</strong>rización y subida 191-4 La estimación <strong>de</strong> <strong>la</strong>s <strong>variables</strong> <strong>regionalizadas</strong> 241-5 Ejercicios sobre los métodos transitivos 44Capítulo 2 – LAS FUNCIONES ALEATORIAS INTRINSECAS. 502-1 Definiciones generales 502-2 Propieda<strong>de</strong>s <strong>de</strong> <strong>la</strong> covarianza y <strong>de</strong>l variograma 532-3 Regu<strong>la</strong>rización <strong>de</strong> una F.A.I. 592-4 Varianzas <strong>de</strong> extensión y <strong>de</strong> estimación 632-5 Métodos <strong>de</strong> aproximación en R 1 682-6 Métodos <strong>de</strong> aproximación en R n 722-7 El efecto <strong>de</strong> pepita 752-8 El esquema esférico 772-9 Inferencia estadística y cuasi-estacionaridad 812-10 Ejercicios sobre <strong>la</strong>s F.A.I. 86Capítulo 3 – EL KRIGEADO. 993-1 Los objetivos <strong>de</strong>l krigeado 993-2 Notaciones 1023-3 F.A. estacionaria <strong>de</strong> esperanza nu<strong>la</strong> o conocida 1043-4 F.A. estacionaria <strong>de</strong> esperanza <strong>de</strong>sconocida 1063-5 Caso <strong>de</strong> una F.A.I. sin covarianza 1113-6 Ejercicios sobre el krigeado 112Capítulo 4 – EL KRIGEADO UNIVERSAL. 1214-1 Introducción 121BIBLIOGRAFIA. 1262
PREFACIOEste texto es <strong>la</strong> redacción <strong>de</strong>l curso que impartí en 1970 en <strong>la</strong> Escue<strong>la</strong> <strong>de</strong>Verano <strong>de</strong> Fontainebleau. Es el fruto <strong>de</strong> varios años <strong>de</strong> reflexión acerca<strong>de</strong>l carácter ambiguo <strong>de</strong> <strong>la</strong> operación que consiste en interpretar entérminos probabilísticos un fenómeno natural único pero parcialmente<strong>de</strong>sconocido, y, sobre el problema difícil <strong>de</strong> <strong>la</strong> investigación <strong>de</strong> <strong>la</strong>scondiciones <strong>de</strong> posibilidad <strong>de</strong> <strong>la</strong> inferencia estadística a partir <strong>de</strong> unarealización única <strong>de</strong> una función aleatoria no estacionaria. He puestoentonces el acento en los problemas metodológicos más que sobre e<strong>la</strong>specto matemático <strong>de</strong> <strong>la</strong> teoría. Del punto <strong>de</strong> vista <strong>de</strong> <strong>la</strong>s <strong>aplicaciones</strong>prácticas, los resultados útiles son aquellos proporcionados en elFascículo 2 <strong>de</strong> estos Cua<strong>de</strong>rnos (“Cours <strong>de</strong> Géostatistique”, con <strong>la</strong>excepción <strong>de</strong>l krigeado universal), pero presentados bajo una nueva luz.La solución <strong>de</strong>l problema metodológico mencionado consiste en introduciruna hipótesis <strong>de</strong> cuasi-estacionaridad, lo suficientemente débil para sersiempre físicamente p<strong>la</strong>usible. El acercamiento <strong>de</strong> los capítulos 1(métodos transitivos) y 2 (teoría <strong>de</strong> <strong>la</strong>s funciones aleatoriasintrínsecas) muestra que el problema <strong>de</strong> <strong>la</strong> inferencia estadística tieneentonces solución (y luego <strong>la</strong> teoría operativa), en lo que respecta <strong>la</strong>estimación global <strong>de</strong> una variable regionalizada. El capítulo 4 consagradoal krigeado universal conduce a una conclusión análoga respecto <strong>de</strong>lproblema <strong>de</strong> <strong>la</strong> estimación local. No he presentado el krigeado universalen términos <strong>de</strong> espacios <strong>de</strong> Hilbert, para evitar cualquier dificultadmatemática y concentrar toda <strong>la</strong> atención en los problemas metodológicos.Entonces hay que referirse al Fascículo 1 <strong>de</strong> estos Cua<strong>de</strong>rnos para <strong>la</strong><strong>de</strong>mostración <strong>de</strong> ciertos resultados (principalmente los teoremas <strong>de</strong>existencia y <strong>de</strong> unicidad). He examinado <strong>la</strong> noción capital <strong>de</strong> <strong>de</strong>riva apartir <strong>de</strong> puntos <strong>de</strong> vista muy diferentes (<strong>de</strong>riva funcional, <strong>de</strong>rivaaleatoria, máxima verosimilitud, teoría <strong>de</strong> interpo<strong>la</strong>dores) que muestranel carácter ambiguo, o al menos ligado estrechamente a consi<strong>de</strong>raciones <strong>de</strong>esca<strong>la</strong> – y he <strong>de</strong>mostrado que estos puntos <strong>de</strong> vista aparentementeopuestos conducen a conclusiones convergentes: lo cual nos proporcionaconfianza en el p<strong>la</strong>no metodológico.Una pa<strong>la</strong>bra acerca <strong>de</strong> los ejercicios propuestos al final <strong>de</strong> cadacapítulo, y <strong>de</strong> los cuales <strong>la</strong> mayor parte fueron tratados en <strong>la</strong> Escue<strong>la</strong> <strong>de</strong>Verano <strong>de</strong> 1970. Algunos <strong>de</strong> ellos son ejercicios simples <strong>de</strong>stinados afamiliarizar al lector con el manejo real <strong>de</strong> una teoría un pocoabstracta. Otros son verda<strong>de</strong>ros complementos al curso mismo, y aportanresultados nuevos en los cuales algunos tienen una importanciametodológica fundamental. Para cada uno <strong>de</strong> ellos proporciono <strong>la</strong> solución,el camino a seguir para llegar al resultado, y <strong>la</strong>s conclusionesmetodológicas que conviene sacar. Espero haber dicho bastante paraconvencer al lector <strong>la</strong> necesidad <strong>de</strong> hacer efectivamente estos ejercicios.G. MATHERON3
PREFACIO DEL TRADUCTORHe <strong>de</strong>cidido pasar a formato electrónico <strong>la</strong> traducción “caligráfica” quehabía realizado hace algunos años <strong>de</strong>l Fascículo 5, “La Théorie <strong>de</strong>sVariables Régionalisées, et ses Applications” <strong>de</strong>l Maestro GeorgesMatheron, publicada en 1970, a mi juicio, uno <strong>de</strong> los mejores libros <strong>de</strong>Geoestadística. En conversaciones con G. Matheron traté <strong>de</strong> convencerloacerca <strong>de</strong> <strong>la</strong> conveniencia <strong>de</strong> editar el Fascículo 6, a <strong>la</strong> luz <strong>de</strong> losa<strong>de</strong><strong>la</strong>ntos <strong>de</strong> los medios <strong>de</strong> cálculo, y, también como una etapa para llegara su última obra “Estimating and Choosing. An Essay on Probability inPractice”, Springer Ver<strong>la</strong>g, 1989; <strong>la</strong>mentablemente no fué posible editarel Fascículo 6...A<strong>de</strong>más <strong>de</strong> rendirle un homenaje <strong>de</strong> reconocimiento y <strong>de</strong> afecto al creador<strong>de</strong> <strong>la</strong> Geoestadística, con <strong>la</strong> satisfacción <strong>de</strong> haber sido su Secretario en<strong>la</strong> efímera Asociación Internacional <strong>de</strong> Geoestadística, el propósito <strong>de</strong>esta publicación es doble: por una parte servirá <strong>de</strong> ayuda y complementopara los estudiantes <strong>de</strong> minas, <strong>de</strong> geología y los profesionalesinteresados en <strong>la</strong> estimación <strong>de</strong> recursos mineros, por otra parte, comouna referencia para mostrar que ciertos conceptos y el uso <strong>de</strong> algunasherramientas han sido <strong>de</strong>svirtuados con el correr <strong>de</strong> los años. La varianza<strong>de</strong> estimación, noción capital en todo el libro, constituye un excelenteejemplo.La traducción es casi textual pero he omitido – en lo cual G. Matheronestaba <strong>de</strong> acuerdo - <strong>la</strong> presentación <strong>de</strong>l mo<strong>de</strong>lo <strong>de</strong> De Wijs y los ábacos <strong>de</strong>los mo<strong>de</strong>los <strong>de</strong> variograma. La pa<strong>la</strong>bra “semivariograma” es reemp<strong>la</strong>zadasiempre por “variograma”. En vez <strong>de</strong>l anglicismo “kriging” he preferidotraducir “krigeage” por <strong>la</strong> pa<strong>la</strong>bra correcta en español “krigeado” o“krigeaje” (se prefiere krigeado porque krigeaje no suena bien enespañol). El krigeado universal solo se presenta como una introducción.Respecto <strong>de</strong> los ejercicios, los resolví casi todos en mi publicación(también caligráfica) “Ejercicios sobre <strong>la</strong>s Variables Regionalizadas”,Departamento <strong>de</strong> Minas <strong>de</strong> <strong>la</strong> Universidad <strong>de</strong> Chile, 1972.El avance <strong>de</strong> los medios <strong>de</strong> cálculo ha sido importante, como muestra esteejemplo: se me ocurrió “vectorizar” <strong>la</strong> figura don<strong>de</strong> aparece <strong>la</strong> varianza<strong>de</strong> estimación <strong>de</strong> superficies por una mal<strong>la</strong> <strong>de</strong> reconocimiento cuadrada <strong>de</strong><strong>la</strong>do a, con presencia <strong>de</strong> Zitterbewegung (fenómeno <strong>de</strong> micro-osci<strong>la</strong>ciones<strong>de</strong>scubierto por E. Schrödinger en el marco <strong>de</strong> <strong>la</strong> mecánica cuántica,¡también presente en problemas geológicos!) para lo cual tuve queconstruír un programa computacional para realizar nuevamente loscálculos. Comprobé que <strong>la</strong> figura <strong>de</strong> G. Matheron (que data <strong>de</strong> los años 60y aparece por última vez en Estimating and Choosing, en 1989) norepresenta bien este fenómeno pre-aleatorio (ver figura A-1), en efecto,tal como muestra un acercamiento (ver figura A-2), el fenómeno es muchomás complicado que lo que se creía, sobre todo cuando <strong>la</strong> mal<strong>la</strong> a tien<strong>de</strong> a0. En el texto incluí entonces una nueva figura.4
Figura A-1: Zitterwebegung en <strong>la</strong> estimación <strong>de</strong> <strong>la</strong> superficie <strong>de</strong> uncírculo <strong>de</strong> diámetro unidad por una mal<strong>la</strong> cuadrada a (según G. Matheron).En abscisa <strong>la</strong> mal<strong>la</strong> a. En or<strong>de</strong>nada, <strong>la</strong> varianza <strong>de</strong> estimacióncorrespondiente.Figura A-2: Acercamiento <strong>de</strong> <strong>la</strong> figura A-1 y nuevo cálculo <strong>de</strong> <strong>la</strong> varianza<strong>de</strong> estimación <strong>de</strong> superficies.5
El nivel matemático <strong>de</strong> <strong>la</strong> obra es difícil, recomiendo entonces, comotexto <strong>de</strong> apoyo el excelente libro en español “Teoría <strong>de</strong> <strong>la</strong> Probabilidad”<strong>de</strong> B. Gne<strong>de</strong>nko (estoy seguro que G. Matheron estaría <strong>de</strong> acuerdo),Editorial MIR, Moscú 1979 (difícil <strong>de</strong> encontrar ahora, quizás unaalternativa es <strong>la</strong> versión en inglés <strong>de</strong> <strong>la</strong> Editorial Chelsea, 1967).Existen otros manuscritos que he realizado, que iré poco a poco pasando aformato electrónico, poniéndolos a disposición <strong>de</strong> <strong>la</strong> comunidad minera.M. ALFARO6
0 – INTRODUCCION0-1 NOTACIONESDesignaremos por x, y, ... puntos <strong>de</strong>l espacio <strong>de</strong> n dimensiones (n = 1, 2o 3), por dx, dy, ... elementos <strong>de</strong> longitud (n = 1), <strong>de</strong> superficie (n =2) o <strong>de</strong> volúmenes (n = 3), centrados en los mismos puntos, por f(x), g(y)etc., ... funciones <strong>de</strong> estos puntos.La integral (extendida a todo el espacio) <strong>de</strong> una función f(x) se escribe:∫ f ( xdx )Por ejemplo, para n = 3 dimensiones, y, <strong>de</strong>signando por (x 1 , x 2 , x 3 ) <strong>la</strong>stres coor<strong>de</strong>nadas <strong>de</strong>l punto x, esta notación se explicita <strong>de</strong> <strong>la</strong> manerasiguiente:+∞ +∞ +∞∫ ∫ ∫ ∫f ( xdx ) = dx dx f( x, x, x)dxdxdx1 2 1 2 3 1 2 3−∞ −∞ −∞De <strong>la</strong> misma manera, escribiremos ∫ f ( xdx ) para <strong>la</strong> integral <strong>de</strong> <strong>la</strong> funciónf(x) sobre un dominio A <strong>de</strong>l espacio <strong>de</strong> n dimensiones.APara n = 2, si A es el rectángulo <strong>de</strong> <strong>la</strong> figura, se tiene, <strong>de</strong> maneraexplícita:b1 b2∫ ∫ ∫f ( x) dx = dx f ( x , x ) dx dx1 1 2 1 2A a1 a2Estas notaciones son a <strong>la</strong> vez muy con<strong>de</strong>nsadas y muy par<strong>la</strong>ntes: en unaprimera lectura se <strong>la</strong>s pue<strong>de</strong> interpretar en el espacio <strong>de</strong> una dimensión,don<strong>de</strong> su significación es, en general, muy c<strong>la</strong>ra. La generalización a losespacios <strong>de</strong> dos o tres dimensiones se hace así más fácil.Ejemplo: Sea V un volumen, y g(h) = g(h 1 , h 2 , h 3 ) una función <strong>de</strong>l vectorh <strong>de</strong> coor<strong>de</strong>nadas h 1 , h 2 , h 3 . Sean x = (x 1 , x 2 , x 3 ) e y = (y 1 , y 2 , y 3 ) elorigen y <strong>la</strong> extremidad <strong>de</strong>l vector h, es <strong>de</strong>cir h=y-x. El valor medio <strong>de</strong> <strong>la</strong>función g(h) cuando los dos puntos x e y recorren (cada uno a su manera)el volumen V, se escribe:7
12v∫ ∫vdx g( y − x)dyEn notación explícita, lo anterior se escribiría como:12v∫∫∫ ∫∫∫vvdx dx dx g( y −x ; y −x ; y −x ) dy dy dy1 2 3 1 1 2 2 3 3 1 2 3vLa primera notación es un símbolo, que <strong>de</strong>scribe directamente el concepto <strong>de</strong> valormedio; <strong>la</strong> segunda es un algoritmo que indica el camino a seguir para calcu<strong>la</strong>resta cantidad, pero cuya significación no aparece a primera vista.0-2 PRODUCTO DE CONVOLUCION (media móvil)El producto <strong>de</strong> convolución <strong>de</strong> dos funciones f 1 (x) y f 2 (x) se <strong>de</strong>fine por:∫ ∫Se escribe, en notación simbólica:gx ( ) = f( yf ) ( x− ydy ) = f( yf ) ( x−ydy )1 2 2 1g = f1∗f2Esta operación <strong>de</strong> convolución juega un papel fundamental enGeoestadística (como también en probabilida<strong>de</strong>s y en toda <strong>la</strong> físicateórica). La convolución se pue<strong>de</strong> asociar con <strong>la</strong> noción intuitiva <strong>de</strong>“media móvil”:Regu<strong>la</strong>rizada <strong>de</strong> una función f (media móvil pon<strong>de</strong>rada <strong>de</strong> <strong>la</strong> función)Sea p(y) una función <strong>de</strong> pon<strong>de</strong>ración. El valor en el punto x 0 <strong>de</strong> <strong>la</strong> mediamóvil <strong>de</strong> <strong>la</strong> función f pon<strong>de</strong>rada por p es:∫ ∫f x p y f x y dy p y f x y dy( ) p 0= ( ) ( ) ( ) ( )0+ = −0−(se atribuye el peso p(y)dy al valor tomado por f en el punto x 0 + y. Lasegunda expresión se obtiene al cambiar y por –y).Sea p <strong>la</strong> función transpuesta <strong>de</strong> <strong>la</strong> función p (por <strong>de</strong>finición:p (x)=p(-x)). f p (x 0 ) es el valor en x 0 <strong>de</strong> f* p :8
fp= f ∗ pEsta media móvil f p <strong>de</strong> <strong>la</strong> función f (pon<strong>de</strong>rada por p) se l<strong>la</strong>maregu<strong>la</strong>rizada (<strong>de</strong> f por p).Ejemplo 1 (toma <strong>de</strong> una muestra v en el punto x)Sea v <strong>la</strong> muestra imp<strong>la</strong>ntada en el origen <strong>de</strong> coor<strong>de</strong>nadas, y sea k(x) sufunción indicatriz (por <strong>de</strong>finición k(x)=1 si x∈v y k(x)=0 si x∉v).Tomemos como función <strong>de</strong> pon<strong>de</strong>ración p(x)=(1/v)k(x). La media móvilcorrespondiente:1fv= f ∗kvrepresenta <strong>la</strong> ley media <strong>de</strong> <strong>la</strong> muestra v tomada en el punto x. De maneraexplícita, se tiene:Ejemplo 2 (radiactivida<strong>de</strong>s)1fv( x) = f( x+y)dyv∫vSi en el origen 0 <strong>de</strong> coor<strong>de</strong>nadas se pone una masa unitaria <strong>de</strong> una<strong>sus</strong>tancia radiactiva, se observa a <strong>la</strong> distancia d una radiactividad igua<strong>la</strong> Ae -λd /d (A es una constante y λ es el coeficiente <strong>de</strong> absorción <strong>de</strong>lmedio). Sea ahora f(x) <strong>la</strong> ley en el punto x <strong>de</strong> esta <strong>sus</strong>tancia radiactiva.Designemos por d(x-x 0 ) <strong>la</strong> distancia entre dos puntos x y x 0 . La masaf(x)dx localizada en x genera en x 0 una radiactividad:d( x x0)Ae − λ −/ d( x − x0) f ( x)dxEn total, se observa en x <strong>la</strong> radiactividad:−λd( x−x0)eA∫f( x)dxd( x−x )0Esto no es otra cosa que el producto <strong>de</strong> convolución Af* (con una funciónp <strong>de</strong> pon<strong>de</strong>ración p(x)= e -λd /d, <strong>la</strong> cual es a<strong>de</strong>más simétrica, es <strong>de</strong>cir p = p )0-3 GEOSTADISTICA Y TEORIA DE LAS VARIABLES REGIONALIZADAS.La Geoestadística es <strong>la</strong> aplicación <strong>de</strong> <strong>la</strong> teoría <strong>de</strong> <strong>la</strong>s <strong>variables</strong><strong>regionalizadas</strong> a <strong>la</strong> estimación <strong>de</strong> los <strong>de</strong>pósitos mineros (con todas <strong>la</strong>saproximaciones que esto implica). De manera general, diremos que unfenómeno es regionalizado cuando se <strong>de</strong>sp<strong>la</strong>za en el espacio, manifestandouna cierta estructura. Las ciencias <strong>de</strong> <strong>la</strong> tierra, entre otras, nosproporcionan numerosos ejemplos. Si f(x) <strong>de</strong>signa el valor en el punto x<strong>de</strong> una característica f <strong>de</strong> este fenómeno, diremos que f(x) es unavariable regionalizada, abreviado, una V.R. Se trata <strong>de</strong> un término9
neutro, <strong>de</strong>scriptivo, anterior, en particu<strong>la</strong>r a toda interpretaciónprobabilística.Entonces, <strong>de</strong>l punto <strong>de</strong> vista matemático, una V.R. es simplemente unafunción f(x) <strong>de</strong>l punto x, pero es, en general, una función muy irregu<strong>la</strong>r:ejemplo: una ley en un <strong>de</strong>pósito minero. Una variable regionalizada sepresenta bajo dos aspectos contradictorios (o complementarios):• un aspecto aleatorio (alta irregu<strong>la</strong>ridad, y variacionesimprevisibles <strong>de</strong> un punto a otro)• un aspecto estructurado (<strong>la</strong> V.R. <strong>de</strong>be sin embargo reflejar a sumanera <strong>la</strong>s características estructurales <strong>de</strong> un fenómenoregionalizado)La teoría <strong>de</strong> <strong>la</strong>s V.R. se propone entonces dos objetivos principales:• en el p<strong>la</strong>no teórico, expresar estas características estructuralesen una forma matemática a<strong>de</strong>cuada• en el p<strong>la</strong>no práctico, resolver el problema <strong>de</strong> <strong>la</strong> estimación <strong>de</strong> unaV.R. a partir <strong>de</strong> un muestreo fragmentario.Estos dos objetivos están re<strong>la</strong>cionados: para un mismo conjunto <strong>de</strong>muestras, el error <strong>de</strong> estimación <strong>de</strong>pen<strong>de</strong> <strong>de</strong> <strong>la</strong>s característicasestructurales; este error, por ejemplo, es más gran<strong>de</strong> cuando <strong>la</strong> V.R. esmás irregu<strong>la</strong>r y más discontinua en su variación espacial.Campo y Soporte <strong>de</strong> una V.R.El campo V <strong>de</strong> una V.R. es el dominio don<strong>de</strong> ésta es diferente <strong>de</strong> 0. Unpanel es un subconjunto V’ <strong>de</strong> V.Soporte – A menudo, no se conoce f(x), sino más bien su valor medio f v (x)<strong>de</strong>ntro <strong>de</strong> <strong>la</strong> muestra v tomada en el punto x. Esta regu<strong>la</strong>rizada f v (x) esefectivamente más regu<strong>la</strong>r que <strong>la</strong> V.R. f(x). El volumen v se l<strong>la</strong>ma soporte<strong>de</strong> <strong>la</strong> V.R. f v , regu<strong>la</strong>rizada <strong>de</strong> f. Otra tarea importante <strong>de</strong> <strong>la</strong> teoría <strong>de</strong><strong>la</strong>s <strong>variables</strong> <strong>regionalizadas</strong> consistirá entonces en <strong>de</strong>terminar <strong>la</strong>scaracterísticas <strong>de</strong> f v conociendo <strong>la</strong>s <strong>de</strong> f. Ejemplo: en un <strong>de</strong>pósito,prever <strong>la</strong>s características <strong>de</strong> los paneles V’(variable f V’ ), conociendo <strong>la</strong>scaracterísticas <strong>de</strong> f o <strong>de</strong> f v (muestras).Más generalmente, se buscará re<strong>la</strong>cionar <strong>la</strong>s características <strong>de</strong> f con <strong>la</strong>s<strong>de</strong> una regu<strong>la</strong>rizada f p dada (ejemplo <strong>de</strong> <strong>la</strong>s radiactivida<strong>de</strong>s).0-4 METODOS TRANSITIVOS Y TEORIA INTRINSECA.Para alcanzar los objetivos disponemos <strong>de</strong> dos grupos <strong>de</strong> métodos:• métodos transitivos: absolutamente generales, en particu<strong>la</strong>r nonecesitan ninguna hipótesis <strong>de</strong> naturaleza probabilística, y, afortiori, ninguna hipótesis <strong>de</strong> estacionaridad.• teoría intrínseca: se trata <strong>de</strong> una aplicación <strong>de</strong> <strong>la</strong> teoría <strong>de</strong> <strong>la</strong>sfunciones aleatorias; entonces se introducen interpretacionesprobabilísticas, y a<strong>de</strong>más, una cierta hipótesis <strong>de</strong> estacionaridad(hipótesis intrínseca)10
Des<strong>de</strong> el punto <strong>de</strong> vista teórico, estos dos grupos <strong>de</strong> métodos conducen aresultados equivalentes, lo cual muestra que los resultados <strong>de</strong> <strong>la</strong> teoríaintrínseca no están, en realidad, ligados a <strong>la</strong> hipótesis <strong>de</strong>estacionaridad (por otra parte, se pue<strong>de</strong> construir una teoríaprobabilística sin utilizar esta hipótesis, <strong>la</strong> cual permite encontrar losresultados principales <strong>de</strong> <strong>la</strong> Geoestadística).Encontramos aquí un problema metodológico que presenta una importanciacapital, tanto para <strong>la</strong> teoría como para el examen crítico <strong>de</strong> losresultados a los cuales conduce esta teoría. Es c<strong>la</strong>ro que el carácterambiguo, localmente errático, <strong>de</strong> nuestras V.R. invoca una interpretaciónprobabilística, y, <strong>de</strong> hecho, nuestro segundo grupo <strong>de</strong> métodos, invocará<strong>de</strong> manera explícita <strong>la</strong> teoría <strong>de</strong> <strong>la</strong>s funciones aleatorias. Pero ahora sep<strong>la</strong>ntean dos preguntas fundamentales, <strong>de</strong> <strong>la</strong>s cuales <strong>la</strong> primera es <strong>la</strong>siguiente:a/ ¿Cuál es <strong>la</strong> significación epistemológica 1 verda<strong>de</strong>ra <strong>de</strong> <strong>la</strong> operaciónque consiste en consi<strong>de</strong>rar un fenómeno natural único (nuestra V.R.) comouna realización <strong>de</strong> una función aleatoria (es <strong>de</strong>cir como el resultado <strong>de</strong>un experimento al azar efectuado en una pob<strong>la</strong>ción infinita <strong>de</strong> V.R.consi<strong>de</strong>radas como “posibles”)?En verdad, una interpretación probabilística <strong>de</strong> este tipo es en sí mismauna conceptualización <strong>de</strong> <strong>la</strong> realidad (un mo<strong>de</strong>lo constitutivo) más que unahipótesis capaz <strong>de</strong> ser invalidada o confirmada experimentalmente. Estahipótesis se justifica so<strong>la</strong>mente en <strong>la</strong> medida que el<strong>la</strong> permite captarmejor <strong>la</strong> realidad, y, resolver efectivamente problemas prácticosinsolubles <strong>de</strong> otra manera. Parece pru<strong>de</strong>nte entonces procurar, alcomienzo, <strong>de</strong> ver hasta don<strong>de</strong> es posible llegar sin recurrir a estainterpretación – veremos que es posible llegar bastante lejos. Asíaparece este primer grupo <strong>de</strong> métodos que l<strong>la</strong>maremos transitivos, en loscuales no interviene, en apariencia, ningún concepto probabilístico. Aquí<strong>la</strong> V.R. está caracterizada por su covariograma transitivo g(h), noprobabilístico, el cual resume <strong>la</strong>s características estructuralesesenciales y permite – si se conoce g(h)– resolver completamente ciertosproblemas prácticos como el problema <strong>de</strong> <strong>la</strong> estimación.Si fuera efectivamente posible <strong>de</strong>terminar este g(h) a partir <strong>de</strong> datosexperimentales fragmentarios, podríamos entonces quedarnos aquí, yeconomizar cualquier interpretación probabilística. Sin embargo, esto noes cierto, y un análisis más fino mostrará que es necesario introducir uncierto tipo <strong>de</strong> hipótesis re<strong>la</strong>cionadas al comportamiento analítico <strong>de</strong> g(h)en una vecindad <strong>de</strong>l origen, hipótesis cuya significación epistemológicaes exactamente <strong>la</strong> <strong>de</strong> un paso camuf<strong>la</strong>do a <strong>la</strong> esperanza matemática.Entonces no es posible evitar <strong>la</strong> interpretación probabilística, y esmejor introducir<strong>la</strong> <strong>de</strong> manera explícita. Es aquí don<strong>de</strong> se p<strong>la</strong>ntea <strong>la</strong>segunda pregunta fundamental:b/ Una vez admitida esta interpretación probabilística, ¿es posible <strong>la</strong>inferencia estadística a partir <strong>de</strong> una realización única? Dicho <strong>de</strong> otramanera, a partir <strong>de</strong>l material experimental disponible (que es <strong>la</strong> mismaV.R., o un muestreo fragmentario <strong>de</strong> esta V.R. única) ¿es realmenteposible reconstituir, al menos en parte, <strong>la</strong> ley <strong>de</strong> probabilidad <strong>de</strong> <strong>la</strong>1Nota <strong>de</strong>l T.: La epistemología estudia <strong>la</strong> naturaleza y vali<strong>de</strong>z <strong>de</strong>lconocimiento; su propósito es distinguir <strong>la</strong> ciencia auténtica <strong>de</strong> <strong>la</strong>seudociencia, <strong>la</strong> investigación profunda <strong>de</strong> <strong>la</strong> superficial.11
función aleatoria hipotética <strong>de</strong> <strong>la</strong> cual nuestra V.R. sería unarealización?Con el propósito <strong>de</strong> respon<strong>de</strong>r afirmativamente a esta segunda pregunta, amenudo se introducen hipótesis, <strong>de</strong> tipo estacionaridad y ergodicidad,bastante más fuertes <strong>de</strong> lo que es realmente necesario: en muchas<strong>aplicaciones</strong> estas hipótesis son groseramente falsas (ejemplos: un<strong>de</strong>pósito en el cual <strong>la</strong>s leyes <strong>de</strong>crecen más o menos regu<strong>la</strong>rmente a partir<strong>de</strong> un corazón rico; <strong>la</strong> topografía submarina, en <strong>la</strong> cual <strong>la</strong>s profundida<strong>de</strong>saumentan cuando uno se aleja <strong>de</strong> <strong>la</strong>s costas, etc. ...: se trata <strong>de</strong>fenómenos manifiestamente no estacionarios. Frecuentemente, estashipótesis aparecen como inverificables. Debido a lo anterior, buscaremosconstantemente <strong>de</strong>bilitar <strong>la</strong>s hipótesis, hasta reducir<strong>la</strong>s a un mínimo a <strong>la</strong>vez indispensable y admisible. Más precisamente, reemp<strong>la</strong>zaremos <strong>la</strong>pregunta b/ anterior por <strong>la</strong> siguiente:b’/ ¿Cuál es <strong>la</strong> característica probabilística mínima que necesitamosconocer para resolver un problema práctico dado (por ejemplo, el calculo<strong>de</strong> una varianza <strong>de</strong> estimación) y cuál es <strong>la</strong> hipótesis mínima que hay queintroducir con el propósito <strong>de</strong> hacer posible <strong>la</strong> estimación <strong>de</strong> estacaracterística a partir <strong>de</strong> una realización única?Esta hipótesis mínima, suficientemente débil para ser casi siempre almenos físicamente admisible, consistirá en suponer que <strong>la</strong> funciónaleatoria es cuasi-intrínseca (es <strong>de</strong>cir, asimi<strong>la</strong>ble, localmente, a unafunción aleatoria intrínseca), mientras que <strong>la</strong> característica mínima queserá a <strong>la</strong> vez necesaria y posible <strong>de</strong> estimar estará ligada esencialmenteal comportamiento en una vecindad <strong>de</strong>l origen <strong>de</strong> un variograma o <strong>de</strong> unafunción <strong>de</strong> covarianza cuasi-estacionaria.La reducción <strong>de</strong>l problema a <strong>sus</strong> características probabilísticas mínimaspermite compren<strong>de</strong>r el éxito <strong>de</strong> los métodos transitivos (los cuales, unavez explícitamente probabilizados, no necesitan, evi<strong>de</strong>ntemente, ningunahipótesis <strong>de</strong> tipo estacionario) y también <strong>la</strong> equivalencia <strong>de</strong> <strong>sus</strong>resultados con los <strong>de</strong> <strong>la</strong> teoría intrínseca. Esta reducción subraya a<strong>de</strong>másel interés capital que va a presentar para nosotros el comportamiento enuna vecindad <strong>de</strong>l origen <strong>de</strong> un variograma o <strong>de</strong> un covariogramatransitivo. Del punto <strong>de</strong> vista práctico, finalmente, esta reducciónmuestra que muy a menudo es lícito aplicar, a fenómenos manifiestamenteno estacionarios, procedimientos <strong>de</strong> cálculo <strong>de</strong> los cuales se pue<strong>de</strong> creer,al comienzo, que su legitimidad estaba ligada a alguna hipótesis <strong>de</strong>estacionaridad.En <strong>la</strong> práctica <strong>la</strong> teoría intrínseca es más fácil <strong>de</strong> construir, y es casisiempre <strong>la</strong> teoría que se utiliza, salvo el caso particu<strong>la</strong>r, muyimportante, <strong>de</strong> <strong>la</strong> estimación <strong>de</strong> una superficie o <strong>de</strong> un volumen (problemageométrico)Respecto <strong>de</strong> <strong>la</strong> bibliografía (ver referencias al término <strong>de</strong> esteFascículo), se encontrará en [4] <strong>la</strong> exposición completa <strong>de</strong> <strong>la</strong> teoría <strong>de</strong><strong>la</strong>s <strong>variables</strong> <strong>regionalizadas</strong>, y en [5], una exposición abreviada <strong>de</strong> estamisma teoría, a<strong>de</strong>más <strong>de</strong> un tratado completo <strong>de</strong> Geoestadística aplicada,conteniendo, en particu<strong>la</strong>r, el estudio <strong>de</strong> los problemas <strong>de</strong> optimizacióneconómica (el texto original en francés pue<strong>de</strong> ser consultado en <strong>la</strong>Biblioteca <strong>de</strong> <strong>la</strong> Escue<strong>la</strong> <strong>de</strong> Minas <strong>de</strong> París). La tesis <strong>de</strong> J. Serraproporciona, por una parte una exposición general muy concreta (sin12
dificulta<strong>de</strong>s matemáticas), y por otra parte, un estudio <strong>de</strong>tal<strong>la</strong>do <strong>de</strong>lesquema esférico. El antiguo tratado [3] está obsoleto en gran parte,salvo en lo re<strong>la</strong>cionado con el esquema <strong>de</strong> De Wijs. La tesis <strong>de</strong> A. Carlier[1] estudia (so<strong>la</strong>mente para el esquema <strong>de</strong> De Wijs) los problemasespeciales propuestos por los <strong>de</strong>pósitos <strong>de</strong> substancias radiactivas. Losproblemas <strong>de</strong> optimización económica se tratan en dos artículos <strong>de</strong> losAnnales <strong>de</strong>s Mines [8], lo más esencial figura en [5]. Finalmente, para elkrigeado universal se consultará [6].13
CAPITULO 1LOS METODOS TRANSITIVOS1-1 EJEMPLO INTRODUCTORIOConsi<strong>de</strong>remos el fenómeno <strong>de</strong> “transición” más simple que se puedaimaginar: presencia o ausencia <strong>de</strong> una característica. Sea por ejemplo unaformación geológica <strong>de</strong> extensión limitada. Un sondaje perforado en elpunto x <strong>la</strong> intersecta o no <strong>la</strong> intersecta. Designemos por k(x) <strong>la</strong>indicatriz <strong>de</strong>l conjunto S, es <strong>de</strong>cir <strong>la</strong> función <strong>de</strong>finida por:⎧1k( x)= ⎨⎩0si x ∈ Ssi x ∉ SSe trata <strong>de</strong> un fenómeno único, para el cual no es posible realizar unaformu<strong>la</strong>ción probabilística: hab<strong>la</strong>r <strong>de</strong> <strong>la</strong> probabilidad <strong>de</strong> que un puntodado x pertenezca a S no tendría gran sentido. Se pue<strong>de</strong> observar tambiénque todo el interés se concentra aquí en <strong>la</strong> frontera <strong>de</strong> S. En efecto,k(x) es constante tanto al interior como al exterior <strong>de</strong> S, so<strong>la</strong>mente alpasar esta frontera k(x) varía, pasando <strong>de</strong> 1 a 0 o <strong>de</strong> 0 a 1. Esta es <strong>la</strong>justificación <strong>de</strong>l nombre <strong>de</strong> fenómeno <strong>de</strong> transición, y <strong>de</strong>l nombre métodostransitivos.El área S <strong>de</strong> nuestra formación está dada, evi<strong>de</strong>ntemente, por:S = ∫ k( x)dxEl valor S constituye una información muy interesante <strong>de</strong>s<strong>de</strong> el punto <strong>de</strong>vista práctico: a menudo, se busca estimar este valor a partir <strong>de</strong> una red<strong>de</strong> sondajes. Sin embargo este parámetro no nos aporta ninguna información<strong>de</strong> naturaleza realmente estructural. En efecto, se pue<strong>de</strong> <strong>de</strong>finir <strong>la</strong>estructura <strong>de</strong> un conjunto como el sistema <strong>de</strong> re<strong>la</strong>ciones existentes entrelos elementos o <strong>la</strong>s partes <strong>de</strong> este conjunto. Tendremos información <strong>de</strong>naturaleza estructural al hacer intervenir simultáneamente, al menos, dospuntos.Sean entonces dos puntos x y x+h (es <strong>de</strong>cir el conjunto estructurante máspequeño que podamos imaginar. Consi<strong>de</strong>remos entonces <strong>la</strong> expresiónk(x)k(x+h): vale 1 si x y x+h pertenecen los dos a S, y 0 en otro caso.14
Pero <strong>de</strong>cir que x+h pertenece a S equivale a <strong>de</strong>cir que x pertenece altras<strong>la</strong>dado S -h <strong>de</strong> S según <strong>la</strong> tras<strong>la</strong>ción –h. Se tiene entonces:⎧1kxkx ( ) ( + h)=⎨⎩0si x ∈S ∩Ssi x ∉S ∩S−h−hIntegremos en x esta expresión: obtenemos una función <strong>de</strong> h:∫Kh ( ) = kxkx ( ) ( + hdx ) = medidaS ( ∩S −h)que representa <strong>la</strong> medida (el área) <strong>de</strong> <strong>la</strong> intersección <strong>de</strong> S y <strong>de</strong> sutras<strong>la</strong>dado por –h. Esta función es simétrica, porque <strong>la</strong>s dosintersecciones S∩S -h y S∩S h se <strong>de</strong>ducen una <strong>de</strong> <strong>la</strong> otra por tras<strong>la</strong>ción. Estafunción K(h) es el covariograma geométrico asociado a S. La función K(h)proporciona una cierta imagen <strong>de</strong> <strong>la</strong> forma <strong>de</strong>l conjunto S:Propieda<strong>de</strong>s <strong>de</strong>l covariograma geométrico K(h)a/ Simetría: K(h) = K(-h)Desigualda<strong>de</strong>s:Re<strong>la</strong>ciones:0 ≤ K(h) ≤ K(0)S = K(0)S2= ∫ K( h)dhb/ Alcances: el alcance a(α) en <strong>la</strong> dirección α es <strong>la</strong> distancia apartir <strong>de</strong> <strong>la</strong> cual K(h) se anu<strong>la</strong> en esa dirección. Entonces es <strong>la</strong>dimensión más gran<strong>de</strong> <strong>de</strong> S en esta dirección.c/ Pendiente en el origen (<strong>de</strong>rivada a <strong>la</strong> <strong>de</strong>recha y a <strong>la</strong> izquierda)15
Si el módulo δr <strong>de</strong> h es pequeño, se tiene:Kh ( ) = K(0)− δ rD αδ rD αes <strong>la</strong> mitad <strong>de</strong> <strong>la</strong> superficie pequeña barrida por el vector δr cuyoorigen <strong>de</strong>scribe el contorno <strong>de</strong> S. Dα es <strong>la</strong> variación diametral <strong>de</strong> S en <strong>la</strong>dirección α (si S es convexo, Dα es el diámetro aparente en esadirección).A pesar <strong>de</strong> que existe una <strong>de</strong>rivada K’ α (0)=-D α en cada dirección α, seobservará, cuidadosamente, que <strong>la</strong> función K(h), en si misma, no es<strong>de</strong>rivable en h=0. El ejercicio 6 (al final <strong>de</strong> este capítulo) muestra como<strong>la</strong> formu<strong>la</strong> <strong>de</strong> Minkowski permite re<strong>la</strong>cionar <strong>la</strong>s <strong>de</strong>rivadas K’ α (0) en <strong>la</strong>sdiferentes direcciones α, al perímetro <strong>de</strong> S ( o a su superficie si nosponemos en el espacio <strong>de</strong> 3 dimensiones). Estas re<strong>la</strong>ciones son muy útilesen Morfología Matemática.1-2 EL COVARIOGRAMA TRANSITIVOSea f(x) una V.R. nu<strong>la</strong> fuera <strong>de</strong> un campo V acotado. El covariogramatransitivo <strong>de</strong> esta V.R. es <strong>la</strong> función g(h) <strong>de</strong>finida por:(1-1) gh ( ) = f( x) f( x+hdx )Propieda<strong>de</strong>s <strong>de</strong>l covariograma transitivo g(h)a/ Simetría: g(h)=g(-h)<strong>de</strong>sigualdad: ( ) ≤ (0) =∫ [ ( )] 2∫gh g f x dxSea Q= ∫ f( x)dx <strong>la</strong> cantidad <strong>de</strong> metal, se tiene:(1-2)Q2= ∫ g( h)dh(para <strong>de</strong>mostrar (2), reemp<strong>la</strong>zar g por su expresión (1), e integrar en h)b/ Alcance: a(α) se <strong>de</strong>fine por <strong>la</strong> condición g(h)=0 cuando h>a(α) para elvector h <strong>de</strong> dirección α: es una propiedad <strong>de</strong>l campo <strong>de</strong> <strong>la</strong> V.R.c/ Comportamiento <strong>de</strong> g(h) en una vecindad <strong>de</strong>l origen. La regu<strong>la</strong>ridad <strong>de</strong>g(h) en una vecindad <strong>de</strong>l origen refleja <strong>la</strong>s propieda<strong>de</strong>s <strong>de</strong> continuidad <strong>de</strong><strong>la</strong> V.R. en su variación espacial. Lo anterior resulta <strong>de</strong>:g(0) − g( h) = 1 [ f( x+ h) − f( x)] 2dx2∫Si f(x) es continua por trozos, g(h) tiene un comportamiento lineal enuna vecindad <strong>de</strong>l origen.16
Si f(x) es <strong>de</strong>rivable, g(h) tiene un comportamiento parabólico.A menudo, g(h) no es continuo en h=0: dicho <strong>de</strong> otra manera, g(0) es mayorque el límite <strong>de</strong> g(h) cuando h tien<strong>de</strong> a 0. Se dice entonces que hay unefecto <strong>de</strong> pepita. Más que una discontinuidad verda<strong>de</strong>ra, se trata, amenudo, <strong>de</strong> una zona <strong>de</strong> transición muy rápida, <strong>la</strong> cual, experimentalmente,se presenta como una discontinuidad. Volveremos a estudiar más tar<strong>de</strong> esteefecto <strong>de</strong> pepita en <strong>la</strong> versión probabilística <strong>de</strong> <strong>la</strong> teoría y suinterpretación en términos <strong>de</strong> esca<strong>la</strong> (ver también el ejercicio 7 <strong>de</strong> estecapítulo, y, para una representación <strong>de</strong>l efecto <strong>de</strong> pepita por una medida<strong>de</strong> Dirac, los ejercicios 16 a 20).Caso isótropo – En <strong>la</strong>s <strong>aplicaciones</strong>, se busca (por ejemplo, mediante unatransformación lineal) llegar al caso en que el covariograma g solo<strong>de</strong>pen<strong>de</strong> <strong>de</strong>l módulo2 2 2r = h = ( h1 + h2.... + h n)<strong>de</strong>l vector h, y se expresa entonces como una función g(r) <strong>de</strong>l únicoargumento r. So<strong>la</strong>mente <strong>la</strong>s potencias pares <strong>de</strong> g(r), r 2k sonin<strong>de</strong>finidamente <strong>de</strong>rivables en h=0. Las potencias impares r 2k+1 , <strong>la</strong>spotencias r λ , λ no entero, y también los términos logarítmicos <strong>de</strong>l tipor 2n log(r) presentan todos una irregu<strong>la</strong>ridad en h=0. De esta manera, en elcaso isótropo, se distinguirán dos partes en el <strong>de</strong>sarrollo limitado <strong>de</strong>g(r) en una vecindad <strong>de</strong>l origen: una parte regu<strong>la</strong>r, que solo contienepotencias pares, y una parte irregu<strong>la</strong>r <strong>la</strong> cual agrupa los términos en r λ ,λ diferente <strong>de</strong> un entero par, eventualmente con términos logarítmicos:gr ( ) = g(0) + ar + ...... + ar + a r log( r)parte regu<strong>la</strong>r∑∑2 λ2k2 λ2kλkparte irregu<strong>la</strong>rEl término <strong>de</strong> más bajo grado <strong>de</strong> <strong>la</strong> parte irregu<strong>la</strong>r proporciona una medidaprecisa <strong>de</strong>l grado <strong>de</strong> irregu<strong>la</strong>ridad <strong>de</strong> <strong>la</strong> V.R. en su variación espacial.Por ejemplo, <strong>la</strong> indicatriz k(x) <strong>de</strong> un conjunto S está caracterizada <strong>de</strong>s<strong>de</strong>este punto <strong>de</strong> vista por un termino irregu<strong>la</strong>r <strong>de</strong> or<strong>de</strong>n 1: K(h)=S-D|h|,como lo <strong>de</strong>mostramos antes.17
d/ El covariograma g(h) es una función <strong>de</strong> tipo positivo.Se dice que una función g(h) es <strong>de</strong> tipo positivo si para cualquier enterok>0, cualquier conjunto x 1 , x 2 , ..., x k <strong>de</strong> puntos <strong>de</strong>l espacio R n y cualquiersistema λ 1 , λ 2 , ..., λ k <strong>de</strong> números reales, se tiene:(1-3)∑i,jλλ gx ( − x) ≥ 0i j i jLas funciones <strong>de</strong> tipo positivo juegan un papel importante en Física(don<strong>de</strong> tienen, en general, una significación energética) y en teoría <strong>de</strong>probabilida<strong>de</strong>s (<strong>la</strong>s funciones características <strong>de</strong> <strong>la</strong>s leyes <strong>de</strong>probabilidad son <strong>de</strong> tipo positivo). Veremos en el capítulo 2 que <strong>la</strong>sfunciones <strong>de</strong> covarianza <strong>de</strong> <strong>la</strong>s funciones aleatorias son también <strong>de</strong> tipopositivo.Probemos que un covariograma transitivo es <strong>de</strong> tipo positivo. En efecto,según <strong>la</strong> re<strong>la</strong>ción (1-1), se pue<strong>de</strong> escribir:∑ ∑ ∫λλ gx ( − x) = λλ f( yf ) ( y+ x− x)dy=i j i j i j i ji, ji,j⎡⎤= ∑λλi j∫f( y+ xj) f( y+ xi) dy = ∫⎢∑λi f( y+ xi) ⎥ dy≥0i,j⎣ i⎦Luego, para <strong>la</strong> elección <strong>de</strong> un mo<strong>de</strong>lo <strong>de</strong> covariograma transitivo, <strong>de</strong>bemoslimitarnos, obligatoriamente, a funciones <strong>de</strong> tipo positivo (veremos, enel párrafo 1-4 que esta condición expresa que <strong>la</strong>s varianzas <strong>de</strong> estimaciónson necesariamente positivas).Según el teorema clásico <strong>de</strong> BOCHNER, una función continua es <strong>de</strong> tipopositivo si y solo si es <strong>la</strong> transformada <strong>de</strong> Fourier <strong>de</strong> una medidapositiva sumable. Lo anterior nos proporciona una segunda verificación <strong>de</strong>esta propiedad fundamental <strong>de</strong>l covariograma transitivo. Designemos por Φ<strong>la</strong> transformada <strong>de</strong> Fourier <strong>de</strong> <strong>la</strong> V.R. f(x), y por G <strong>la</strong> transformada <strong>de</strong> sucovariograma g = f * f . Se sabe que <strong>la</strong> transformada <strong>de</strong> Fourier <strong>de</strong> unproducto <strong>de</strong> convolución es el producto multiplicativo ordinario <strong>de</strong> <strong>la</strong>stransformadas <strong>de</strong> los factores. Como <strong>la</strong> transpuesta f <strong>de</strong> f tiene portransformada el imaginario conjugado Φ * <strong>de</strong> Φ, encontramos que:2(1-4)G = Φ2y, por consiguiente, se tiene bien que G ≥ 0.Observación – Des<strong>de</strong> el punto <strong>de</strong> vista matemático el covariograma g y sutransformada G son herramientas perfectamente equivalentes. Como <strong>la</strong>re<strong>la</strong>ción (1-4) es particu<strong>la</strong>rmente simple, a menudo, es más cómodo, enciertas <strong>de</strong>mostraciones teóricas, utilizar G en vez <strong>de</strong>l covariograma g.Pero, <strong>de</strong>s<strong>de</strong> el punto <strong>de</strong> vista experimental, y, en <strong>la</strong>s <strong>aplicaciones</strong>, elcovariograma g es, en general, una herramienta bastante mejor que G. Enefecto, el comportamiento <strong>de</strong> g(h) en una vecindad <strong>de</strong> h=0 tiene por imagen18
<strong>la</strong>s propieda<strong>de</strong>s <strong>de</strong> G en una vecindad <strong>de</strong>l infinito. No es, en general,fácil apreciar el comportamiento <strong>de</strong> una curva experimental en elinfinito. Esta es <strong>la</strong> razón, por <strong>la</strong> cual, el punto <strong>de</strong> vista <strong>de</strong>l análisisarmónico, no es muy interesante en <strong>la</strong>s <strong>aplicaciones</strong> prácticas <strong>de</strong> <strong>la</strong>teoría <strong>de</strong> <strong>la</strong>s V.R.1-3 REGULARIZACION DE UNA V.R. Y SUBIDA1-3-1. Regu<strong>la</strong>rización <strong>de</strong> una V.R.Sea f(x) una V.R., p(x) una función <strong>de</strong> pon<strong>de</strong>ración, f p =f* p <strong>la</strong>regu<strong>la</strong>rizada <strong>de</strong> f por p. La re<strong>la</strong>ción (1-1) pue<strong>de</strong> escribirse:g = f * flo cual muestra que el covariograma transitivo es <strong>la</strong> autoregu<strong>la</strong>rizada <strong>de</strong><strong>la</strong> V.R. f. El covariogramag = f * p* f * p = f * f * p* p = f * fse pue<strong>de</strong> poner en <strong>la</strong> forma:p p pg = g*Ppcon P = p * p : entonces el covariograma <strong>de</strong> <strong>la</strong> regu<strong>la</strong>rizada se obtieneregu<strong>la</strong>rizando g con el covariograma transitivo P <strong>de</strong> <strong>la</strong> función <strong>de</strong>pon<strong>de</strong>ración p: g p es una función más regu<strong>la</strong>r que g, así como f p es másregu<strong>la</strong>r que <strong>la</strong> V.R. inicial f.1-3-2 La SubidaVamos a <strong>de</strong>dicar el resto <strong>de</strong> este párrafo a una operación l<strong>la</strong>mada subida,<strong>la</strong> cual tiene gran importancia en <strong>la</strong> teoría <strong>de</strong> <strong>la</strong>s V.R. (<strong>de</strong>bido a quepermite, por ejemplo, reducir el cálculo <strong>de</strong> una varianza <strong>de</strong> estimación enun espacio <strong>de</strong> n dimensiones, a una serie <strong>de</strong> operaciones mucho mássimples, realizadas en el espacio <strong>de</strong> una dimensión). En términos mineros,<strong>la</strong> subida es simplemente <strong>la</strong> transposición abstracta <strong>de</strong> <strong>la</strong> operación queconsiste en imp<strong>la</strong>ntar un sondaje en un punto (x 1 , x 2 ) <strong>de</strong> <strong>la</strong> superficietopográfica.Si f 3 (x)=f 3 (x 1 , x 2 , x 3 ) es una V.R. en el espacio <strong>de</strong> tres dimensiones (porejemplo), se dice que <strong>la</strong> V.R.:f ( x , x ) = ∫ f ( x , x , x ) dx2 1 2 3 1 2 3 3<strong>de</strong>finida en el espacio <strong>de</strong> dos dimensiones se <strong>de</strong>duce <strong>de</strong> f 3 por subida (<strong>de</strong>or<strong>de</strong>n 1, parale<strong>la</strong> al eje <strong>de</strong> los x 3 ). Por ejemplo, si f 3 (x) es una leypuntual, f 2 (x 1 , x 2 ) es <strong>la</strong> acumu<strong>la</strong>ción (cantidad <strong>de</strong> metal al metrocuadrado) <strong>de</strong>l sondaje imp<strong>la</strong>ntado en el punto (x 1 , x 2 ) <strong>de</strong> <strong>la</strong> superficietopográfica.19
No hay dificultad para <strong>de</strong>finir subidas <strong>de</strong> or<strong>de</strong>n superior. Por ejemplo, <strong>la</strong>subida <strong>de</strong> or<strong>de</strong>n 2 (parale<strong>la</strong> al p<strong>la</strong>no x 1 , x 2 ) conduce a <strong>la</strong> V.R.f ( x ) f ( x , x , x ) dxdx= ∫∫1 3 3 1 2 3 1 2<strong>de</strong>finida en el espacio <strong>de</strong> una so<strong>la</strong> dimensión (el eje <strong>de</strong> los x 3 ) y querepresenta, en términos mineros, <strong>la</strong> cantidad <strong>de</strong> metal por metro <strong>de</strong>profundidad aportada por el nivel <strong>de</strong> cota x 3 . Se tiene que elcovariograma g 2 (h 1 , h 2 ) <strong>de</strong> <strong>la</strong> V.R. f 2 <strong>de</strong>ducida <strong>de</strong> f 3 por subida <strong>de</strong> or<strong>de</strong>n 1se obtiene efectuando directamente esta misma operación <strong>de</strong> subida sobreel covariograma g 3 (h 1 , h 2 , h 3 ) <strong>de</strong> <strong>la</strong> V.R. f 3 , dicho <strong>de</strong> otra manera, enlenguaje breve: el covariograma sube al mismo tiempo que <strong>la</strong> V.R.asociada.Demos una <strong>de</strong>mostración <strong>de</strong> este resultado a partir <strong>de</strong> <strong>la</strong> re<strong>la</strong>ción (1-4).Sea f n (x 1 , x 2 , ..., x n ) una V.R. en R n , Φ n (u 1 , u 2 , ..., u n ) su transformada<strong>de</strong> Fourier. Por subida <strong>de</strong> or<strong>de</strong>n 1 a lo <strong>la</strong>rgo <strong>de</strong>l eje <strong>de</strong> <strong>la</strong>s x n , seobtiene <strong>la</strong> V.R. f n-1 (x 1 , x 2 , ..., x n-1 ) cuya transformada <strong>de</strong> Fourier es:(1-5) Φ n-1 (u 1 , u 2 , ..., u n-1 )= Φ n (u 1 , u 2 , ..., u n-1 ,0)Dicho <strong>de</strong> otra manera, según el mecanismo <strong>de</strong> calculo evi<strong>de</strong>nte (el cual seencuentra también en teoría <strong>de</strong> probabilida<strong>de</strong>s, al pasar a una leymarginal) se obtiene Φ n-1 haciendo u n =0 en <strong>la</strong> expresión <strong>de</strong> Φ n . Designemosahora por g n y g n-1 los covariogramas <strong>de</strong> f n y f n-1 , por G n y G n-1 <strong>sus</strong>transformadas <strong>de</strong> Fourier tomadas en los espacios respectivos R n y R n-1 .Según (1-4) se tiene:Según (1-5), se <strong>de</strong>duce:2 2G =Φ , G −=Φ −n n n 1 n 12n−1 1 2 n−1 =Φn 1 n−1 =n 1 n−1G ( u , u ,..., u ) ( u ,..., u ,0) G ( u ,..., u ,0)Luego, se obtiene G n-1 anu<strong>la</strong>ndo u n en <strong>la</strong> expresión <strong>de</strong> G n . Según <strong>la</strong>reprocidad <strong>de</strong> <strong>la</strong> transformada <strong>de</strong> Fourier y <strong>la</strong> expresión (1-5) <strong>de</strong> <strong>la</strong>subida, resulta bien que g n-1 se <strong>de</strong>duce <strong>de</strong> g n por subida <strong>de</strong> or<strong>de</strong>n 1.1-3-3 La subida en el caso isótropoExaminemos ahora el caso isótropo, es <strong>de</strong>cir el caso en que <strong>la</strong> V.R. f n (x),x∈R n admite un covariograma g n (r) el cual solo <strong>de</strong>pen<strong>de</strong> <strong>de</strong>l vector r=|h|.En este caso no es necesario especificar en qué dirección se efectúa <strong>la</strong>subida. Las subidas <strong>de</strong> or<strong>de</strong>n 1, 2, ... proporcionan <strong>variables</strong><strong>regionalizadas</strong> f n-1 , f n-2 , ... cuyos covariogramas g n-1 (r), g n-2 (r), ...<strong>de</strong>pen<strong>de</strong>n únicamente <strong>de</strong>l vector r (<strong>de</strong>l espacio <strong>de</strong> n-1, n-2, ...dimensiones). De acuerdo a lo anterior, estos covariogramas se <strong>de</strong>ducen <strong>de</strong>g n por subida, y se encuentra, sin dificultad:20
∞⎧2 2gn−1() r = 2 ∫ gn( h + r ) dh⎪0⎨∞⎪2 2gn−2() r = 2 π gn( h + r ) hdh⎪ ∫⎩0El cambio <strong>de</strong> <strong>variables</strong> u 2 =h 2 +r 2 , proporciona:∞⎧u⎪gn−1() r = 2 ∫ gn()u du2 2⎪r ( u − r(1-6)⎨∞⎪⎪gn−2() r = 2 π ∫ gn()u udu⎩0Aparece así una diferencia notoria entre <strong>la</strong>s subidas <strong>de</strong> or<strong>de</strong>n 1 y 2. Lasubida <strong>de</strong> or<strong>de</strong>n 1 (y, más generalmente <strong>la</strong> subida <strong>de</strong> or<strong>de</strong>n impar) es unaoperación elemental. Se inversa fácilmente por <strong>de</strong>rivación:(1-7)1gn()r =− g2π r'n−2Por el contrario, <strong>la</strong> subida <strong>de</strong> or<strong>de</strong>n 1 (y, más generalmente <strong>de</strong> or<strong>de</strong>nimpar) es una operación más difícil, <strong>de</strong>bido a <strong>la</strong> presencia <strong>de</strong> una raízcuadrada bajo el signo <strong>de</strong> integración, y, no se invierte fácilmente.Es posible <strong>de</strong>mostrar que <strong>la</strong>s subidas, y <strong>sus</strong> inversas o <strong>de</strong>scensos,consi<strong>de</strong>radas como operadores sobre funciones isótropas <strong>de</strong> tipo g n (r)constituyen un grupo (ver [4]).Para encontrar <strong>la</strong> expresión <strong>de</strong>l <strong>de</strong>scenso <strong>de</strong> or<strong>de</strong>n 1 (g n-1 →g n ), se pue<strong>de</strong>primero efectuar un <strong>de</strong>scenso <strong>de</strong> or<strong>de</strong>n 2, lo cual conduce, según (1-7) a:1 'gn+ 1=− gn−1()r2π rluego una subida <strong>de</strong> or<strong>de</strong>n 1 que da, según (1-6):∞∞udu 1 ' dun() = 2 ∫ n+ 1() =−2 2n−1()2 2r u r π ∫−r u − rg r g u g uEn otras pa<strong>la</strong>bras, hemos establecido <strong>la</strong>s expresiones recíprocas <strong>de</strong> <strong>la</strong>subida y el <strong>de</strong>scenso <strong>de</strong> or<strong>de</strong>n 1:21
(1-8)∞⎧gn−1() r = 2 ∫ gn()u⎪r⎨⎪g r g u⎪⎩u∞1 'n() =−n−1()π ∫rudu− rdu2 2u− r2 2Se encontrará más tar<strong>de</strong> (Ejercicio 11 bis) una aplicación interesante <strong>de</strong>estas fórmu<strong>la</strong>s <strong>de</strong> reciprocidad al problema que consiste en reconstituir<strong>la</strong> granulometría <strong>de</strong> una pob<strong>la</strong>ción <strong>de</strong> esferas <strong>de</strong>l espacio <strong>de</strong> 3dimensionas, a partir <strong>de</strong> <strong>la</strong> granulometría <strong>de</strong> círculos o <strong>de</strong> líneas(cuerdas) inducidas por p<strong>la</strong>nos o rectas.Adoptemos ahora el punto <strong>de</strong> vista <strong>de</strong> <strong>la</strong> transformación <strong>de</strong> Fourier,y seaG=F n g n <strong>la</strong> transformada <strong>de</strong>l covariograma g n (tomada en el espacio <strong>de</strong> ndimensiones). Como <strong>la</strong> función g n es isótropa, su transformada <strong>de</strong> Fouriersolo <strong>de</strong>pen<strong>de</strong> <strong>de</strong>l radio vector:ρ = ( u + u + ... + u n)2 2 21 2<strong>de</strong>l espacio <strong>de</strong> n dimensiones en el cual están <strong>de</strong>finidas <strong>la</strong>s transformadasF n . Luego G es también una función isótropa <strong>de</strong>l tipo G(ρ). Según (1-5) seobtiene F n-1 (g n-1 ) al anu<strong>la</strong>r u n en <strong>la</strong> expresión <strong>de</strong> F n (g n ). Pero anu<strong>la</strong>r u n en<strong>la</strong> expresión <strong>de</strong>l radio vector conduce a <strong>la</strong> expresión (u 2 1 +...+u 2 n-1 ) 1/2 ,es<strong>de</strong>cir al radio vector <strong>de</strong>l espacio <strong>de</strong> n-1 dimensiones, que po<strong>de</strong>mos <strong>de</strong>nuevo <strong>de</strong>signar por ρ. Por consiguiente, <strong>la</strong> transformada G(ρ) <strong>de</strong>lcovariograma isótropo g n es invariante por subida (y, también por<strong>de</strong>scenso):(1-9) G(ρ) = F n (g n ) = F n-1 (g n-1 ) = F n+1 (g n+1 ) = ...Se dispone aquí <strong>de</strong> un medio analítico cómodo para explicitar una subida oun <strong>de</strong>scenso.El principio <strong>de</strong> correspon<strong>de</strong>ncia.Examinemos ahora cómo se comporta en <strong>la</strong> subida lo que más nos interesa enun covariograma isótropo, es <strong>de</strong>cir, <strong>la</strong> parte irregu<strong>la</strong>r <strong>de</strong> su <strong>de</strong>sarrollolimitado en una vecindad <strong>de</strong>l origen (párrafo 1-2). El resultado esencial(cuya <strong>de</strong>mostración se encuentra en [4]) es el siguiente: se pue<strong>de</strong>efectuar <strong>la</strong> subida término a término sobre <strong>la</strong> parte irregu<strong>la</strong>r <strong>de</strong> g n ,según <strong>la</strong> reg<strong>la</strong> <strong>de</strong> correspon<strong>de</strong>ncia:(1-10)( λ )λ λ+1r = Aλr no enteroy este principio <strong>de</strong> correspon<strong>de</strong>ncia proporciona el <strong>de</strong>sarrollo limitado <strong>de</strong>g n-1 (r) salvo una serie entera par. No existe una reg<strong>la</strong> análoga para <strong>la</strong>parte regu<strong>la</strong>r (pero esto no será problemático porque, tal como veremos,<strong>la</strong>s varianzas <strong>de</strong> estimación solo <strong>de</strong>pen<strong>de</strong>n <strong>de</strong> <strong>la</strong> parte irregu<strong>la</strong>r).El or<strong>de</strong>n <strong>de</strong>l término irregu<strong>la</strong>r <strong>de</strong> más bajo grado se aumenta así en 1, yesta circunstancia nos muestra bien el efecto <strong>de</strong> regu<strong>la</strong>rización que tiene<strong>la</strong> subida.22
En lo que respecta a los términos <strong>de</strong> grado entero par y los términoslogarítmicos <strong>de</strong> <strong>la</strong> parte irregu<strong>la</strong>r, el principio <strong>de</strong> correspon<strong>de</strong>nciatérmino a término es también aplicable <strong>de</strong> <strong>la</strong> forma siguiente:(1-11)2k2k+1⎧⎪r log()r → A2kr⎨2k+ 1 2k+2⎪⎩ r → A2k+ 1r log()rSe obtiene así, por subidas sucesivas, <strong>la</strong> serie singu<strong>la</strong>r don<strong>de</strong> sealternan términos impares y términos logarítmicos. Por ejemplo:log()r → π r2r →−r log()rCálculo <strong>de</strong> los coeficientes A λ – Para una <strong>de</strong>mostración rigurosa, ver [4].Daremos aquí una justificación simbólica, cuyo principio nos servirátambién para el cálculo <strong>de</strong> varianzas <strong>de</strong> estimación. Al consi<strong>de</strong>rar que r λes una distribución (y no como una función, lo que implica que estajustificación es sólo simbólica), r λ admite, en el espacio <strong>de</strong> ndimensiones, <strong>la</strong> transformada <strong>de</strong> Fourier siguiente:⎛λ+ n ⎞Γ1 ⎜ ⎟2 1F ( r λ ) =⎝ ⎠λ λπ ⎛ λ ⎞ ρΓ ⎜ − ⎟⎝ 2 ⎠n + n/2+ n(λ no entero). Según (1-9), <strong>la</strong> subida <strong>de</strong> or<strong>de</strong>n 1 realizada sobre r λconduce a F n-1 (F n (r λ )). Al calcu<strong>la</strong>r F n-1 (ρ -λ-n ) y según <strong>la</strong> fórmu<strong>la</strong> anterior,se tiene:Fn−1⎛ λ + 1⎞Γ ⎜ − ⎟r⎛λ+ n ⎞Γ ⎜ ⎟⎝ 2 ⎠n+1λ +−λ− n2 ⎝ 2 ⎠ λ+1( ρ ) = πy se <strong>de</strong>duce <strong>la</strong> expresión <strong>de</strong>l coeficiente A λ <strong>de</strong> <strong>la</strong> reg<strong>la</strong> <strong>de</strong>correspon<strong>de</strong>ncia (1-10), con <strong>la</strong> ayuda <strong>de</strong> <strong>la</strong>s función <strong>de</strong> Euler Γ, es <strong>de</strong>cir:(1-12)Aλ⎛ 1+λ ⎞ ⎛ λ ⎞Γ⎜− ⎟ Γ 12 λπ⎜ + ⎟⎛ ⎞ 2= π⎝ ⎠= πtg⎝ ⎠λ⎜ ⎟⎛ ⎞ 2 ⎛ 1+λ ⎞Γ⎝ ⎠⎜− ⎟ Γ ⎜1+⎟⎝ 2⎠ ⎝ 2 ⎠Esta justificación, repitámoslo, es so<strong>la</strong>mente simbólica, y, enparticu<strong>la</strong>r, no muestra que <strong>la</strong> reg<strong>la</strong> <strong>de</strong> correspon<strong>de</strong>ncia (1-10) proporcionael resultado <strong>de</strong> <strong>la</strong> subida salvo una serie entera. Sin embargo, elresultado (1-12) es correcto. En el caso <strong>de</strong> una serie singu<strong>la</strong>r (1-11), seobtiene (por pasos al límite sobre los cuales no insistiremos aquí):23
(1-13)⎧A⎪⎨k2 k! 2 ( k!)= π= π1⋅3 ⋅⋅⋅ (2k+ 1) (2k+1)2k22k2+−2k⎪ 2 (2k1)!A2k+ 1=−⎪ k!( k+1)!⎩1-4 LA ESTIMACION DE LAS VARIABLES REGIONALIZADASEn este párrafo, fundamental, <strong>de</strong>finiremos <strong>la</strong> varianza <strong>de</strong> estimación parauna mal<strong>la</strong> regu<strong>la</strong>r, proporcionando dos expresiones equivalentes(rigurosas) válidas en el espacio <strong>de</strong> n dimensiones (párrafo 1-4-1). En elpárrafo (1-4-2), examinaremos el caso <strong>de</strong> una mal<strong>la</strong> aleatoriaestratificada. A continuación, buscaremos métodos <strong>de</strong> aproximación,primero en el espacio <strong>de</strong> 1 dimensión (1-4-3) luego a 2 o más dimensiones(1-4-4) y aplicaremos estos resultados al problema geométrico (1-4-5). Unexamen crítico <strong>de</strong> <strong>la</strong>s condiciones mediante <strong>la</strong>s cuales es posible aplicarestos resultados permitirá preparar el paso a <strong>la</strong> versión probabilística<strong>de</strong> <strong>la</strong> teoría.1-4-1 Expresión rigurosa <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> estimación (mal<strong>la</strong> regu<strong>la</strong>r)Para abreviar, explicitaremos los cálculos en el espacio <strong>de</strong> 1 so<strong>la</strong>dimensión. Sin embargo estos resultados se generalizan sin dificultad alespacio <strong>de</strong> n dimensiones. Sea f(x) una V.R. en <strong>la</strong> recta y:+∞Q = ∫−∞f( x)dx<strong>la</strong> cantidad <strong>de</strong> metal asociada. Para estimar Q, se dispone <strong>de</strong> una mal<strong>la</strong> <strong>de</strong>muestreo con una mal<strong>la</strong> regu<strong>la</strong>r a. En otras pa<strong>la</strong>bras, si <strong>de</strong>signamos por x 0<strong>la</strong> abscisa <strong>de</strong> una (cualquiera) <strong>de</strong> <strong>la</strong>s muestras <strong>de</strong> <strong>la</strong> red, conocemos losvalores f(x 0 +pa) <strong>de</strong> <strong>la</strong> V.R. f(x) para p entero positivo o negativo. Enrealidad f(x) es diferente <strong>de</strong> 0 en un conjunto acotado, so<strong>la</strong>mente unnumero finito <strong>de</strong> estos valores f(x 0 +pa) es diferente <strong>de</strong> 0, y, ena<strong>de</strong><strong>la</strong>nte, no nos preocuparemos acerca <strong>de</strong> <strong>la</strong> convergencia <strong>de</strong> <strong>la</strong>s series(que tienen, en realidad, un número finito <strong>de</strong> términos). En <strong>la</strong> prácticano será necesario que <strong>la</strong> red <strong>de</strong> muestras sea realmente infinita; bastarácon que sobrepase un poco el campo geométrico <strong>de</strong> <strong>la</strong> V.R.Para estimar <strong>la</strong> cantidad <strong>de</strong> metal Q, se forma entonces el estimador:p=+∞*Q x0 = a∑f x0+ pap=−∞( ) ( )que es una función periódica (<strong>de</strong> período a) <strong>de</strong> <strong>la</strong> abscisa x 0 elegidaarbitrariamente como origen <strong>de</strong> <strong>la</strong> red. El error Q-Q * (x 0 ) asociado a estaestimación es igualmente una función periódica <strong>de</strong> x 0 , vamos acaracterizar su magnitud posible mediante una varianza <strong>de</strong> estimación queescribiremos σ 2 (a).24
De acuerdo a nuestro hilo conductor metodológico (párrafo 0-4) nointroduciremos todavía ninguna interpretación probabilística re<strong>la</strong>tiva a<strong>la</strong> V.R. f(x) misma: f(x) representa una realidad física única,perfectamente <strong>de</strong>terminada (aún si no <strong>la</strong> conociéramos efectivamente).Pero, justamente porque al comienzo no conocemos nada, acerca <strong>de</strong> f(x),imp<strong>la</strong>ntamos nuestra red <strong>de</strong> muestras “no importa don<strong>de</strong>” o “al azar”re<strong>la</strong>tivamente a esta realidad física <strong>de</strong>sconocida. No es difícil dar unsentido epistemológico más preciso a este “no importa don<strong>de</strong>” admitiendoque todo suce<strong>de</strong> como si el origen x 0 <strong>de</strong> <strong>la</strong> red se imp<strong>la</strong>ntó al azar sobreun segmento <strong>de</strong> longitud a según una ley <strong>de</strong> probabilidad <strong>de</strong> <strong>de</strong>nsidaduniforme. Esta hipótesis expresa simplemente <strong>la</strong> ignorancia en queestamos, al comienzo, respecto <strong>de</strong> <strong>la</strong> localización exacta <strong>de</strong> un fenómeno<strong>de</strong>terminístico, y no implica entonces un compromiso epistemológico grave.Según esta imp<strong>la</strong>ntación aleatoria <strong>de</strong>l origen x 0 en el segmento (0,a), <strong>la</strong>estimación Q * (x 0 ) es una variable aleatoria. Calculemos su esperanzamatemática y su varianza: diremos, por <strong>de</strong>finición que esta varianza es <strong>la</strong>varianza <strong>de</strong> estimación σ 2 (a). Para <strong>la</strong> esperanza se encuentra:a+∞*⎛⎞dx0EQ ( ) = ∫⎜a∑f( x0+ pa) ⎟ = f( xdx ) = Q0 ⎝ p ⎠ a∫−∞Nuestro estimador Q *estimación es:es entonces un estimador insesgado. La varianza <strong>de</strong>dxa2 *2 2 *20 2( a) = E( Q ) − Q = ∫ ⎣Q ( x0) ⎦ −Qa0σ ⎡ ⎤Evaluemos <strong>la</strong> integral <strong>de</strong> [Q * (x 0 )] 2 . Se tiene:+∞ +∞*22 20 0 0 0 0p=−∞q=−∞k p⎡Q ( x ) ⎤ = a f( x + pa) f( x + qa) = a f( x + pa) f( x + pa+ka)⎣ ⎦ ∑∑ ∑∑Integremos <strong>de</strong> 0 a a. Se tiene:aa*22∫⎣Q ( x0) ⎦ dx0 a ∑∑ ∫ f( x0 pa) f( x0 pa ka)dx00 k 0 p⎡ ⎤ = + + + =+∞2 2∑∫0 0 0k −∞k∑= a f( x ) f( x + ka) dx = a g( ka)Al tomar en cuenta <strong>la</strong> re<strong>la</strong>ción (1-2), se obtiene entonces <strong>la</strong> fórmu<strong>la</strong>:(1-14)+∞σ2 ( a) = a g( ka) − g( h)dhk =−∞+∞∑ ∫−∞25
En el espacio <strong>de</strong> n dimensiones, se tiene un resultado totalmente análogo.Por ejemplo, para n=3, y para una mal<strong>la</strong> en forma <strong>de</strong> paralelepípedo a 1 a 2 a 3se tiene:∑∑∑ ∫2σ1 2 3=1 2 3 1 1 2 2 3 3−k1 k2 k3( a , a , a ) aa a g( k a , k a , k a ) g( h)dhObservación – La varianza <strong>de</strong> estimación (1-14) es <strong>la</strong> diferencia entre unvalor aproximado y el valor exacto <strong>de</strong> <strong>la</strong> integral∫ ghdh ( ) . Porconsiguiente σ 2 (a) es más pequeña cuando:• <strong>la</strong> mal<strong>la</strong> a es más pequeña• <strong>la</strong> función g, luego también <strong>la</strong> función f, es más regu<strong>la</strong>r.Si <strong>la</strong> mal<strong>la</strong> es pequeña con respecto al alcance <strong>de</strong> g(h), <strong>la</strong> fórmu<strong>la</strong> (1-14)tiene un gran número <strong>de</strong> términos. Lo anterior nos conduce a buscarfórmu<strong>la</strong>s <strong>de</strong> aproximación (ver párrafos 1-4-3 y 1-4-4).Daremos una segunda expresión (equivalente para <strong>la</strong> varianza <strong>de</strong>estimación, utilizando esta vez <strong>la</strong> transformada <strong>de</strong> Fourier G <strong>de</strong>lcovariograma g. El estimador Q * es una función periódica, luego admite un<strong>de</strong>sarrollo en serie <strong>de</strong> Fourier:x0⎧+∞2iπp*(0)aQ x = ∑ Cpe⎪p=−∞⎨ax1−2iπp⎪*C (0)ap= Q x e dx⎪⎩ a∫0Si reemp<strong>la</strong>zamos Q * (x 0 ) por su expresión explícita, se ve que elcoeficiente <strong>de</strong> Fourier C p es:a 2 x +∞− iπp −2iπpyaaC = f( x+ ka) e dx=f( y)e dyp∑∫ ∫k0Por consiguiente, si Φ(u) es <strong>la</strong> transformada <strong>de</strong> Fourier <strong>de</strong> f(x), setiene:⎛ p ⎞Cp=Φ ⎜ ⎟⎝ a ⎠En particu<strong>la</strong>r C 0 = Φ(0) = Q. Las propieda<strong>de</strong>s <strong>de</strong> ortogonalidad <strong>de</strong> <strong>la</strong>s funcionestrigonométricas conducen a:y, consi<strong>de</strong>rando (1-4):∑−∞222σ ( a) = Cp− Qp26
(1-15)2 ⎛ p ⎞σ ( a) = ∑ G⎜⎟−G(0)p ⎝ a ⎠Esta fórmu<strong>la</strong>, equivalente a (1-14) muestra que σ 2 (a) es positiva si G esuna función positiva (luego, cuando g es <strong>de</strong> tipo positivo). Se generalizaal caso pluridimensional. Para R 2 , por ejemplo, con una mal<strong>la</strong> rectangu<strong>la</strong>r(a 1 , a 2 ) se encuentra:(1-16)2⎛ p q ⎞σ ( a1, a2) = ∑ G⎜, ⎟−G(0,0)pq , ⎝a1 a2⎠Observación – De lo anterior se <strong>de</strong>be retener sobretodo este resultadofundamental: <strong>la</strong> varianza <strong>de</strong> estimación σ 2 (a) solo <strong>de</strong>pen<strong>de</strong> <strong>de</strong>lcovariograma transitivo g(h) y <strong>de</strong> <strong>la</strong> mal<strong>la</strong> a. La fórmu<strong>la</strong> (1-14) muestraa<strong>de</strong>más que esta varianza <strong>de</strong>pen<strong>de</strong> linealmente <strong>de</strong> g(h). Entonces, siconocemos el verda<strong>de</strong>ro covariograma g <strong>de</strong> una V.R., estaríamos encondiciones <strong>de</strong> resolver el problema <strong>de</strong> <strong>la</strong> estimación, <strong>de</strong> una maneratotalmente satisfactoria – y sin probabilizar el fenómeno real. En vista<strong>de</strong> preparar el paso a <strong>la</strong> versión probabilística <strong>de</strong> <strong>la</strong> teoría, que tendrálugar en el párrafo (1-4-6), mostremos que en lo anterior hay algoilusorio.En efecto, si solo se dispone <strong>de</strong> los datos experimentales f(x 0 +pa), paraun x 0 fijo, no se conocerá el verda<strong>de</strong>ro covariograma g(h). So<strong>la</strong>mente sepodrán estimar los valores numéricos <strong>de</strong> los g(ka) con <strong>la</strong> ayuda <strong>de</strong> losestimadores:∑*g ka = a f x0 + pa f x0+ pa+kap( ) ( ) ( )De <strong>la</strong> misma manera, para estimar el término Q2 = ∫ g( h)dh , se podrá tomarel cuadrado [Q * (x 0 )] 2 <strong>de</strong>l estimador Q * (x 0 ) mismo. Pero, si <strong>sus</strong>tituimosestos estimadores en <strong>la</strong> fórmu<strong>la</strong> (1-14), obtenemos idénticamente 0, talcomo muestra el cálculo fácil siguiente:∑( ) − ⎡ ( ) ⎤⎦ = 0* *a g ka ⎣Q x0kEste resultado se entien<strong>de</strong> bastante bien: al reemp<strong>la</strong>zar en (1-14) losvalores verda<strong>de</strong>ros por <strong>sus</strong> estimaciones, hemos implícitamente reemp<strong>la</strong>zado<strong>la</strong> verda<strong>de</strong>ra V.R. f(x), <strong>de</strong>finida en <strong>la</strong> recta real, por su restricciónf(x 0 +pa) al conjunto discreto constituido por los puntos <strong>de</strong> muestreox 0 +pa. El resultado obtenido significa simplemente que Q * (x 0 ) es unexcelente estimador <strong>de</strong> Q * (x 0 ).En términos menos triviales, esto significa que es ilusorio esperar, porprocedimientos puramente empíricos, extraer <strong>de</strong> un mismo materialexperimental (los f(x 0 +pa)), a <strong>la</strong> vez una estimación <strong>de</strong> Q y <strong>la</strong> precisión<strong>de</strong> esta estimación.Para salir <strong>de</strong> este impasse metodológico, es obligatorio recurrir a unmo<strong>de</strong>lo teórico. Se elegirá una expresión matemática apropiada227
g(h;λ,µ,...) <strong>la</strong> cual <strong>de</strong>pen<strong>de</strong> <strong>de</strong> uno o varios parámetros λ, µ, ... queajustan <strong>de</strong> <strong>la</strong> mejor manera posible los puntos g * (ka) experimentales (esinútil e ilusorio hacer pasar <strong>la</strong> curva teórica por los puntosexperimentales), y es, a este g(h;λ,µ,...) al cual se <strong>la</strong> aplicará <strong>la</strong>fórmu<strong>la</strong> (1-14). El resultado que se obtendrá tendrá, exactamente, elmismo valor que <strong>la</strong> elección <strong>de</strong>l mo<strong>de</strong>lo <strong>de</strong> covariograma.Indiquemos ahora que <strong>la</strong> elección <strong>de</strong> g(h) no es arbitraria. En primerlugar <strong>la</strong> función g(h;λ,µ,...) <strong>de</strong>be ser <strong>de</strong> tipo positivo (párrafo 1-2). Ensegundo lugar, se <strong>de</strong>berá asignar una importancia extrema alcomportamiento <strong>de</strong> esta función en una vecindad <strong>de</strong>l origen, es <strong>de</strong>cir a suparte irregu<strong>la</strong>r: el or<strong>de</strong>n <strong>de</strong>l término irregu<strong>la</strong>r <strong>de</strong> más bajo grado,eventualmente <strong>la</strong> presencia <strong>de</strong> un efecto <strong>de</strong> pepita. Estas característicastienen <strong>la</strong> significación <strong>de</strong> leyes físicas y constituyen característicasobjetivas <strong>de</strong>l fenómeno real. La experiencia ayuda, rápidamente se sabe(aprovechando ocasiones en <strong>la</strong>s cuales se dispone <strong>de</strong> re<strong>de</strong>s <strong>de</strong> muestrasparticu<strong>la</strong>rmente <strong>de</strong>nsas) que tal tipo <strong>de</strong> fenómeno se caracteriza por esteu otro comportamiento analítico <strong>de</strong> su covariograma. Definitivamente(párrafo 1-4-3) es <strong>de</strong> este comportamiento <strong>de</strong>l cual <strong>de</strong>pen<strong>de</strong>rá <strong>la</strong> varianza<strong>de</strong> estimación, lo que implica que el problema se reducirá, en grueso, a<strong>de</strong>terminar el coeficiente <strong>de</strong>l término irregu<strong>la</strong>r <strong>de</strong> más bajo grado, y estoes posible <strong>de</strong> hacer, en general, experimentalmente <strong>de</strong> una manerasatisfactoria.1-4-2 Caso <strong>de</strong> una mal<strong>la</strong> aleatoria estratificadaSea f(x) una V.R. en R n , g(h) su covariograma, y sea V el paralelepípedo<strong>de</strong> <strong>la</strong>dos a 1 , a 2, ..., a n , centrado en el origen. Designemos por h i losvectores cuyas componentes son múltiplos enteros p 1 a 1 , p 2 a 2 , ..., p n a n <strong>de</strong>los <strong>la</strong>dos <strong>de</strong>l paralelepípedo V, <strong>de</strong> manera que los tras<strong>la</strong>dados V hi <strong>de</strong> V porlos h i cubren todo el espacio. La mal<strong>la</strong> aleatoria estratificada <strong>de</strong>finidapor el paralelepípedo V se construye como sigue:• se elige un origen x 0∈ V• para cada índice i, se elige al azar un punto x i∈ V <strong>de</strong> manera talque los x i sean in<strong>de</strong>pendientes admitiendo <strong>la</strong> misma ley <strong>de</strong> <strong>de</strong>nsidaduniforme en V.• se efectúa un muestreo en cada uno <strong>de</strong> los puntos x 0 +h i +x i .El estimador Q * (x 0 ) <strong>de</strong> <strong>la</strong> cantidad <strong>de</strong> metal, con x 0∑*Q x0 = vf x0+ hi+ xii( ) ( )∈ V fijo, es entonces:Si x 0 es fijo, los vf(x 0 +h i +x i ) son <strong>variables</strong> aleatorias in<strong>de</strong>pendientes.Expresemos <strong>sus</strong> esperanzas y <strong>sus</strong> varianzas con <strong>la</strong> ayuda <strong>de</strong> <strong>la</strong>regu<strong>la</strong>rizada:1fv( x) = f( x+y)dyv∫v(que representa <strong>la</strong> media <strong>de</strong> f en el paralelepípedo v x centrado en x). Seencuentra:28
1E f( x + h + x ) x = f( x + h + y) dy = f ( x + h)( )0 i i 0 0 i v 0 ivv1D f( x + h + x ) x = f ( x + h + y) dy− f ( x + h)( )∫∫2 2 20 i i 0 0 i v 0 ivvEstas <strong>variables</strong> son in<strong>de</strong>pendientes cuando x 0 está fijo, se <strong>de</strong>duce entonces<strong>la</strong> esperanza y <strong>la</strong> varianza condicional <strong>de</strong> Q * (x 0 ):∑EQ x vf x h Q(*|0) =v( 0+i)=i2 * 2 2 2 20= ∑ ( 0+i+i 0)= − ∑ v 0+iiiD ( Q | x ) v D f( x h x )| x vg(0) v f ( x h)Si x 0 es fijo, Q * (x 0 ) es también un estimador insesgado. Pero – <strong>de</strong> <strong>la</strong>misma manera que en el párrafo anterior – nuestra ignorancia inicialrespecto a <strong>la</strong> localización <strong>de</strong>l fenómeno real se formaliza asimi<strong>la</strong>ndo x 0 auna variable aleatoria, in<strong>de</strong>pendiente <strong>de</strong> los x i , admitiendo también una<strong>de</strong>nsidad uniforme en v. Como E(Q * |x 0 )=Q no <strong>de</strong>pen<strong>de</strong> <strong>de</strong> x 0 , <strong>la</strong> varianza apriori <strong>de</strong> Q * (x 0 ) – es <strong>de</strong>cir <strong>la</strong> varianza <strong>de</strong> estimación <strong>de</strong> <strong>la</strong> mal<strong>la</strong>aleatoria estratificada – se obtiene tomando directamente <strong>la</strong> esperanzamatemática en x 0 <strong>de</strong> <strong>la</strong> varianza condicional D 2 (Q * |x 0 ), es <strong>de</strong>cir:1D ( Q ) = D ( Q | x ) dx = vg(0) − f ( x + h)dx =2 * 2 * 20 0 v 0 i 0vvi v= vg −v f x dx∫∫2(0)v( )∑∫Designemos por g v el covariograma <strong>de</strong> <strong>la</strong> regu<strong>la</strong>rizada f v . Según el párrafo(1-3-1), este covariograma se <strong>de</strong>duce <strong>de</strong>l covariograma geométrico K(h) <strong>de</strong>lparalelepípedo por <strong>la</strong> re<strong>la</strong>ción:En particu<strong>la</strong>r:1gv= g*K2v12gv(0) = g( h) K( h) dh=f ( )2vx dxv∫ ∫Según el algoritmo <strong>de</strong> Cauchy (ver ejercicio 2), g v (0) representa el valormedio <strong>de</strong> g(x-y) cuando x e y <strong>de</strong>scriben separadamente el paralelepípedo v,y <strong>la</strong> varianza <strong>de</strong> estimación buscada se escribe:(1-17) 2 ( ) = [ (0) − (0) ]D Q v g g vEsta varianza <strong>de</strong>pen<strong>de</strong> so<strong>la</strong>mente <strong>de</strong>l comportamiento <strong>de</strong> g(h) en unavecindad <strong>de</strong>l origen <strong>de</strong>finido precisamente por el paralelepípedo v mismo.29
1-4-3 Fórmu<strong>la</strong>s <strong>de</strong> aproximación para el espacio <strong>de</strong> una dimensión.Sea ahora f(x) una V.R. <strong>de</strong>l espacio <strong>de</strong> una dimensión, g(h) sucovariograma, y “a” una mal<strong>la</strong> <strong>de</strong> muestreo. Cuando <strong>la</strong> mal<strong>la</strong> es pequeña, <strong>la</strong>fórmu<strong>la</strong> (1-14) contiene un número <strong>de</strong>masiado gran<strong>de</strong> <strong>de</strong> términos, luego esútil obtener fórmu<strong>la</strong>s <strong>de</strong> aproximación que permitan un calculo rápido. Enrealidad, el interés <strong>de</strong> <strong>la</strong>s fórmu<strong>la</strong>s <strong>de</strong> aproximación que vamos aestablecer va más lejos <strong>de</strong> <strong>la</strong>s simples razones <strong>de</strong> comodidad, y, presentauna significación epistemológica fundamental para el problema que nosinteresa. En efecto, vamos a ver que (salvo un termino fluctuante <strong>de</strong>lcual <strong>de</strong>bemos examinar su significado) <strong>la</strong> varianza <strong>de</strong> estimación σ 2 (a),para a pequeño, <strong>de</strong>pen<strong>de</strong> so<strong>la</strong>mente <strong>de</strong>l comportamiento analítico <strong>de</strong> g(h) enuna vecindad <strong>de</strong> h=0.La estructura <strong>de</strong> <strong>la</strong> fórmu<strong>la</strong> (1-14) muestra que <strong>la</strong> varianza <strong>de</strong> estimaciónσ 2 (a) no es otra que el error numérico que se comete si se <strong>de</strong>sea evaluar<strong>la</strong> integral∫ ghdh ( ) a partir <strong>de</strong> <strong>la</strong> suma discreta a∑g( ka). Luego si g(h)fuera una función suficientemente regu<strong>la</strong>r (es <strong>de</strong>cir <strong>de</strong>rivable en todaspartes un número suficiente <strong>de</strong> veces) se podría evaluar directamenteσ 2 (a) por los métodos clásicos basados en <strong>la</strong> fórmu<strong>la</strong> <strong>de</strong> Euler-Mac Laurin.Pero g(h) no es, en general, suficientemente regu<strong>la</strong>r en todo h. Losmo<strong>de</strong>los teóricos <strong>de</strong> covariograma que se utilizan en <strong>la</strong> práctica localizan<strong>la</strong>s irregu<strong>la</strong>rida<strong>de</strong>s analíticas en dos lugares cruciales:• en una vecindad <strong>de</strong>l origen, como ya hemos visto• pero también en una vecindad <strong>de</strong> h=b, siendo b el alcance, <strong>de</strong>bido aque <strong>la</strong> intersección en b <strong>de</strong> g(h) pue<strong>de</strong> ser más o menos brutal.Sin embargo, los mo<strong>de</strong>los teóricos <strong>de</strong> g(h) no presentan nuncairregu<strong>la</strong>rida<strong>de</strong>s analíticas. Esto no quiere <strong>de</strong>cir que esto sea así paralos covariogramas verda<strong>de</strong>ros. Pero no conoceremos nunca estoscovariogramas verda<strong>de</strong>ros, y, como lo vimos al final <strong>de</strong>l párrafo (1-4-1),estamos siempre obligados a reemp<strong>la</strong>zarlos por un mo<strong>de</strong>lo teórico. En elpárrafo 1-4-6 se examinará el alcance epistemológico <strong>de</strong> esta operaciónambigua que consiste en reemp<strong>la</strong>zar el covariograma verda<strong>de</strong>ro(<strong>de</strong>sconocido) por un mo<strong>de</strong>lo teórico, analíticamente simple, cuyasirregu<strong>la</strong>rida<strong>de</strong>s se encuentran concentradas en el origen y en el alcance:Por el momento, partiremos <strong>de</strong> <strong>la</strong> hipótesis que <strong>la</strong>s irregu<strong>la</strong>rida<strong>de</strong>s seencuentran localizadas efectivamente en estos dos puntos. Mediantecálculos sobre los cuales no insistiremos aquí (ver [4]), se pue<strong>de</strong>30
<strong>de</strong>mostrar que <strong>la</strong> varianza <strong>de</strong> estimación, para a pequeño, es <strong>la</strong> suma <strong>de</strong>dos términos:σ 2 ( a) = T( a) + Z( a)El primer término T(a), o término <strong>de</strong> extensión, <strong>de</strong>pen<strong>de</strong> <strong>de</strong>lcomportamiento <strong>de</strong> g(h) en h=0. El segundo, Z(a), o término fluctuante oZitterbewegung, <strong>de</strong>pen<strong>de</strong> <strong>de</strong>l comportamiento <strong>de</strong> g(h) en una vecindad <strong>de</strong><strong>la</strong>lcance b.Respecto <strong>de</strong>l término fluctuante Z(a), se pue<strong>de</strong> <strong>de</strong>mostrar que <strong>de</strong>pen<strong>de</strong>esencialmente <strong>de</strong> ε=b/a Modulo 1 (más precisamente: se pue<strong>de</strong> encontrar unentero n tal que na≤ b ≤(n+1)a y sea ε=(b-na)/a). Z(a) es una funciónperiódica <strong>de</strong> ε, <strong>de</strong> período 1, y admite un <strong>de</strong>sarrollo en serie <strong>de</strong> Fourier,sin término constante, luego <strong>de</strong> valor medio nulo cuando ε varía entre 0 y1:1∫0Zε ( a) dε = 0La expresión teórica <strong>de</strong> este término fluctuante es posible <strong>de</strong> <strong>de</strong>terminarteóricamente. Su magnitud no es en absoluto <strong>de</strong>spreciable, a menudo tieneun valor consi<strong>de</strong>rable (ver figura 1 y el ejercicio 14). Sin embargo, en<strong>la</strong>s <strong>aplicaciones</strong>, no se podrá nunca calcu<strong>la</strong>r el valor exacto <strong>de</strong> estetérmino, <strong>de</strong>bido a que precisamente, el valor exacto <strong>de</strong>l alcance b esconocido con un error <strong>de</strong> ±a, luego, ε = b/a Modulo 1, es una cantidadtotalmente in<strong>de</strong>terminada. Nos autorizamos a <strong>de</strong>spreciar simplemente estetérmino fluctuante, <strong>de</strong>bido al hecho que su valor medio en ε en elintervalo [0,1] <strong>de</strong> este término fluctuante es siempre nulo, que es lo queharemos en a<strong>de</strong><strong>la</strong>nte. Se observará el carácter probabilístico camuf<strong>la</strong>do <strong>de</strong>esta aproximación, sobre <strong>la</strong> cual volveremos en el párrafo 1-4-6.Examinemos ahora el término principal T(a), o término <strong>de</strong> extensión,ligado únicamente al comportamiento analítico <strong>de</strong> g(h) en h=0. Un estudioanalítico <strong>de</strong>tal<strong>la</strong>do (ver [4]) muestra que este término solo <strong>de</strong>pen<strong>de</strong> <strong>de</strong> <strong>la</strong>parte irregu<strong>la</strong>r <strong>de</strong>l <strong>de</strong>sarrollo limitado <strong>de</strong> g(h) en una vecindad <strong>de</strong>lorigen. Más precisamente, se pue<strong>de</strong> establecer <strong>la</strong> vali<strong>de</strong>z <strong>de</strong> un principio<strong>de</strong> correspon<strong>de</strong>ncia término a término, análogo al que encontramos en elestudio <strong>de</strong> <strong>la</strong> subida isótropa: cada término en |h| λ <strong>de</strong>l <strong>de</strong>sarrollolimitado <strong>de</strong> g(h) aporta a <strong>la</strong> varianza σ 2 (a) una contribución en T λ a λ+1 , conun coeficiente T λ que solo <strong>de</strong>pen<strong>de</strong> <strong>de</strong> λ:(1-18)hλ→ T a1+λλPara λ entero par, se encuentra T λ =0, y esto confirma que <strong>la</strong> parteirregu<strong>la</strong>r <strong>de</strong>l covariograma no aporta ninguna contribución al <strong>de</strong>sarrollolimitado <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> estimación. Para λ entero impar, <strong>la</strong> reg<strong>la</strong> (1-18) subsiste, sin modificación. Para un término logarítmico en h 2n log(h),se encuentra, sin dificultad:h log(h)→ T a +2 n' 1 2n2n31
con un coeficiente T 2n ’ igual a <strong>la</strong> valor en λ=2n <strong>de</strong> <strong>la</strong> <strong>de</strong>rivada d TdλCálculo <strong>de</strong>l coeficiente T λ . – Se encontrará en [4] un cálculo riguroso<strong>de</strong>l coeficiente T λ que figura en <strong>la</strong> reg<strong>la</strong> <strong>de</strong> correspon<strong>de</strong>ncia (1-18). Noscontentaremos con una justificación simbólica (análoga a <strong>la</strong> que dimospara el cálculo <strong>de</strong>l coeficiente A λ <strong>de</strong> <strong>la</strong> subida). Si G(u) es <strong>la</strong>transformada <strong>de</strong> Fourier <strong>de</strong>l covariograma g, se tiene, según (1-15):∞2 ⎛ p ⎞σ ( a) = 2∑G⎜ ⎟p=1 ⎝ a ⎠Si tuviera un sentido tomar <strong>la</strong> transformada <strong>de</strong> Fourier <strong>de</strong> <strong>la</strong> función|h| λ , <strong>la</strong> transformada <strong>de</strong> Fourier (en el sentido <strong>de</strong> <strong>la</strong>s distribuciones)sería:Gu ( ) =⎛λ+ 1⎞Γ1 ⎜ ⎟⎝ 2 ⎠ 1⎛ λ ⎞ | u |Γ ⎜ − ⎟⎝ 2 ⎠λ 1/2 1 λπ + +λ.y, si <strong>la</strong> fórmu<strong>la</strong> (1-15) siguiera válida para esta transformada tomada enel sentido <strong>de</strong> <strong>la</strong>s distribuciones, se encontraría que:2σ ( a)=π⎛λ+ 1⎞Γ ⎜ ⎟1+ λ∞2a⎝ 2 ⎠ 1λ + 1/2 1 λλ∑ +⎛ ⎞ p=1 pΓ ⎜ − ⎟⎝ 2 ⎠De don<strong>de</strong> se <strong>de</strong>duciría <strong>la</strong> expresión <strong>de</strong> T λ :⎛λ+ 1⎞Γ2 ⎜ ⎟ ∞2 1(1-19) Tλ=⎝ ⎠1 1+λ+λ∑⎛ ⎞2p=1 pπ Γ ⎜ − ⎟⎝ 2 ⎠Se encuentra que el valor T λ obtenido mediante este razonamientoaproximado correspon<strong>de</strong> bien con el valor correcto. En particu<strong>la</strong>r:¨⎧ 1⎪T1=−⎨ 6⎪⎩T2' = 0.0609...El principio <strong>de</strong> correspon<strong>de</strong>ncia permite un cálculo fácil y rápido <strong>de</strong> <strong>la</strong>varianza <strong>de</strong> estimación. Sin embargo, no hay que olvidar, que se ha<strong>de</strong>spreciado un Zitterbewegung, cuya amplitud pue<strong>de</strong> ser enorme, y que loλ32
que se obtiene es en realidad el <strong>de</strong>sarrollo limitado <strong>de</strong> σ 2 (a) en unavecindad <strong>de</strong> h=0, luego un resultado utilizable so<strong>la</strong>mente para <strong>la</strong>s mal<strong>la</strong>spequeñas. Por otra parte, para una mal<strong>la</strong> a gran<strong>de</strong>, <strong>la</strong> fórmu<strong>la</strong> generalcontiene un número mo<strong>de</strong>sto <strong>de</strong> términos y pue<strong>de</strong> ser utilizadadirectamente. Cuando <strong>la</strong> mal<strong>la</strong> es superior al alcance, solo subsiste, en(1-14), el término correspondiente a k=0, y se obtiene <strong>la</strong> fórmu<strong>la</strong> simple:(1-20)∫σ 2 ( a) = ag(0) − g( h) dh (a ≥b)El sentido probabilístico <strong>de</strong> esta ecuación está indicado en el ejercicio15.Observación: Si L=na es <strong>la</strong> longitud mineralizada, y n el número <strong>de</strong>muestras positivas, al covariograma en |r| λ le correspon<strong>de</strong> <strong>la</strong> varianza <strong>de</strong>estimación siguiente:λ( )σ ( a)= T a = T L1n2 1 + λ 1 +λ λ 1+λEsta varianza está en razón inversa <strong>de</strong> n 1+λ (y no en 1/n como lo habríasugerido una aplicación errónea <strong>de</strong> <strong>la</strong> estadística clásica).1-4-4 Fórmu<strong>la</strong>s <strong>de</strong> aproximación en R n .Vamos a estudiar en <strong>de</strong>talle el caso <strong>de</strong>l espacio <strong>de</strong> dos dimensiones, <strong>la</strong>generalización a R n es simple. Nuestro objetivo es <strong>de</strong>sarrol<strong>la</strong>r un segundoprincipio <strong>de</strong> aproximación, que permita reducir el cálculo <strong>de</strong> una varianza<strong>de</strong> estimación σ 2 (a 1 , a 2 ) a <strong>la</strong> suma <strong>de</strong> dos varianzas <strong>de</strong> estimación <strong>de</strong> unaso<strong>la</strong> dimensión, como <strong>la</strong>s reg<strong>la</strong>s <strong>de</strong> correspon<strong>de</strong>ncia (1-18) y (1-19),luego, muy fáciles <strong>de</strong> calcu<strong>la</strong>r. Designaremos este principio comoprincipio <strong>de</strong> composición <strong>de</strong> términos <strong>de</strong> línea y <strong>de</strong> rebanada. Examinemosprimero, el sentido intuitivo <strong>de</strong> este principio. Sea (a, a 2 ), con a 1 >a 2 ,una mal<strong>la</strong> rectangu<strong>la</strong>r, f(x, y) una V.R. <strong>de</strong>finida en el p<strong>la</strong>no, g(h 1 , h 2 ) sucovariograma, y g 1 (h) el covariograma que se <strong>de</strong>duce <strong>de</strong> g por subida a lo<strong>la</strong>rgo <strong>de</strong>l eje <strong>de</strong> <strong>la</strong>s y:33
Nuestro principio <strong>de</strong> correspon<strong>de</strong>ncia enuncia que <strong>la</strong> varianza <strong>de</strong>estimación σ 2 (a 1 , a 2 ) <strong>de</strong> <strong>la</strong> mal<strong>la</strong> rectangu<strong>la</strong>r es <strong>la</strong> suma:(1-20)σ ( a , a ) = σ ( a ) + aσ( a )2 2 21 2 1 1 1 2 2<strong>de</strong> dos términos: el primero, σ 2 1 (a 1 ) se calcu<strong>la</strong> con <strong>la</strong> re<strong>la</strong>ción (1-14)aplicada al covariograma subido g 1 , y representa el error que se cometeal estimar <strong>la</strong> cantidad <strong>de</strong> metal Q a partir <strong>de</strong> <strong>la</strong>s líneas <strong>de</strong> mayor<strong>de</strong>nsidad <strong>de</strong> muestreo (en el dibujo, parale<strong>la</strong>s al eje y); es el término <strong>de</strong>línea. El segundo término, a 1 σ 2 2 (a 2 ) se l<strong>la</strong>ma término <strong>de</strong> rebanada o <strong>de</strong>rebanada. Este término representa el error que se comete al estimar <strong>la</strong>acumu<strong>la</strong>ción <strong>de</strong> <strong>la</strong>s líneas a partir <strong>de</strong> muestreos puntuales. Se calcu<strong>la</strong>σ 2 2 (a 2 ) aplicando <strong>la</strong> fórmu<strong>la</strong> (1-14) a <strong>la</strong> mal<strong>la</strong> a 2 y al covariograma <strong>de</strong> 1dimensión g(0,h). El principio (1-20) expresa entonces que: <strong>de</strong>s<strong>de</strong> elpunto <strong>de</strong> vista <strong>de</strong>l cálculo <strong>de</strong> <strong>la</strong>s varianzas <strong>de</strong> estimación, los doserrores cometidos: primero al estimar <strong>la</strong> acumu<strong>la</strong>ción <strong>de</strong> <strong>la</strong>s líneas apartir <strong>de</strong> <strong>la</strong>s muestras, segundo al estimar <strong>la</strong> cantidad <strong>de</strong> metal a partir<strong>de</strong> estas acumu<strong>la</strong>ciones, que se supone conocidas, pue<strong>de</strong>n ser consi<strong>de</strong>radoscomo no corre<strong>la</strong>cionados.Antes <strong>de</strong> dar una justificación aproximada, precisemos el enunciado <strong>de</strong>este principio. Para abreviar <strong>la</strong>s notaciones, <strong>de</strong>signaremos por ξ a aloperador lineal asociado, según (1-14), a <strong>la</strong> varianza <strong>de</strong> estimación parauna mal<strong>la</strong> a:+∞ξ ( ) ( ) ( )ag = a g ka − g h dhk =−∞+∞∑ ∫Sean (x 0 , y 0 ) <strong>la</strong>s coor<strong>de</strong>nadas <strong>de</strong> una <strong>de</strong> <strong>la</strong>s muestras. Designemos por:0 0 1−∞L( x ) = f( x + ia ; y)dy<strong>la</strong> acumu<strong>la</strong>ción <strong>de</strong> <strong>la</strong> línea i <strong>de</strong> abscisa x 0 , y por:i∫L ( x , y ) = a f( x + ia ; y + pa )*i+∞∑0 0 2 0 1 0 2p=−∞el estimador que se pue<strong>de</strong> formar. Hemos visto en el párrafo (1-4-1) quex 0 e y 0 <strong>de</strong>ben ser consi<strong>de</strong>rados como dos <strong>variables</strong> aleatoriasin<strong>de</strong>pendientes que admiten <strong>de</strong>nsida<strong>de</strong>s uniformes en (0,a 1 ) y (0,a 2 )respectivamente. La acumu<strong>la</strong>ción L i (x 0 ) <strong>de</strong> <strong>la</strong> línea i es entonces unavariable aleatoria, y es c<strong>la</strong>ro que si se fija x 0 se tiene:E L x L x*(i|0) =i( )Para estimar Q f ( x, y)dxdy= ∫∫, se forma el estimador:Q ( x , y ) = a∑L ( x , y )* *0 0 1 i 0 0i34
y el error <strong>de</strong> estimación se pue<strong>de</strong> escribir:(1-21)∑ ∑Q− Q = ( Q− a L) + a ( L −L)* *1 i 1 i iiiEl primer término es el error que se comete al estimar Q a partir <strong>de</strong> <strong>la</strong>sacumu<strong>la</strong>ciones. Según <strong>la</strong> <strong>de</strong>finición misma <strong>de</strong> <strong>la</strong> subida, <strong>la</strong> varianza <strong>de</strong>este término (término <strong>de</strong> rebanada) se obtiene al aplicar (1-14) alvariograma g 1 <strong>de</strong> una dimensión, <strong>de</strong>ducido <strong>de</strong> g 2 (h 1 , h 2 ) por subida a lo<strong>la</strong>rgo <strong>de</strong>l eje y, es <strong>de</strong>cir, con nuestras notaciones:σ ( a ) = ξ ( g )21 1 a11El segundo término es <strong>la</strong> suma <strong>de</strong> los errores L i -L * i cometidos al estimarcada una <strong>de</strong> <strong>la</strong>s acumu<strong>la</strong>ciones a partir <strong>de</strong> muestras puntuales. Para cadalínea i, se acaba <strong>de</strong> ver que <strong>la</strong> esperanza matemática <strong>de</strong> este error esnu<strong>la</strong> cuando x 0 está fijo.EL L x*(i−i|0) = 0Si x 0 está fijo, <strong>la</strong> V.R. f(x 0 +ia 1 ;y) <strong>de</strong>finida en <strong>la</strong> línea i admite elcovariograma <strong>de</strong> una dimensión g i <strong>de</strong>finido por(1-22) gi( h) = f( x0 + ia1; y) f( x0 + ia1; y+h)dyy <strong>la</strong> varianza condicional <strong>de</strong> L i -L * i es entonces:+∞∫−∞D ( L − L | x ) = ξ ( g )2 *i i 0 a2iAhora establecemos <strong>la</strong> hipótesis (que justificaremos más tar<strong>de</strong>) según <strong>la</strong>cual los L i -L * i pue<strong>de</strong>n ser consi<strong>de</strong>rados sin corre<strong>la</strong>ción cuando x 0 estáfijo. La varianza condicional <strong>de</strong>l término <strong>de</strong> línea es entonces:∑ ∑a D ( L − L | x ) = a ξ ( g )2 2 * 21 i i 0 1 a2iiiComo E(L i -L * i)=0, se <strong>de</strong>duce <strong>la</strong> varianza a priori <strong>de</strong>l término <strong>de</strong> línea altomar <strong>la</strong> esperanza matemática en x 0 , es <strong>de</strong>cir:a1∫a dx ∑ξ ( gi)1 00ia2Pero queda c<strong>la</strong>ro que el operador lineal ξa 2se pue<strong>de</strong> permutar con <strong>la</strong>sumatoria en i y <strong>la</strong> integral en x 0 . Al utilizar (1-22), se encuentraentonces para el término <strong>de</strong> línea:35
a1∫∑aξdx f( x + ia ; y) f( x + ia ; y+ h)dy =1 a20 0 1 0 10 i+∞ +∞∫∫= aξdx f( x, y) f( x, y+ h) dy = aξ( g(0, h))1 a2 1 a2−∞ −∞El término <strong>de</strong> línea es entonces:aξ( g(0, h)) = aσ( a )21 a21 2 2en conformidad con (1-20). Para obtener <strong>la</strong> re<strong>la</strong>ción (1-20) misma, quedapor admitir <strong>la</strong> ausencia <strong>de</strong> corre<strong>la</strong>ción <strong>de</strong> los dos errores*Q−a L y a ( L −L)∑ ∑ que figuran en (1-21).1 i 1 i iEste principio <strong>de</strong> composición <strong>de</strong> términos <strong>de</strong> línea y <strong>de</strong> rebanada presentagran importancia, por razones prácticas, primero, porque permite calcu<strong>la</strong>rmuy fácilmente un valor aproximado <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> estimación, segundo,también por razones metodológicas: porque al consi<strong>de</strong>rar el principio <strong>de</strong>correspon<strong>de</strong>ncia, se muestra que, en el espacio <strong>de</strong> dos dimensiones,también <strong>la</strong> varianza <strong>de</strong> estimación <strong>de</strong>pen<strong>de</strong> esencialmente <strong>de</strong>lcomportamiento <strong>de</strong> g(h) en una vecindad <strong>de</strong>l origen. Encontraremos <strong>de</strong> nuevoeste principio <strong>de</strong> correspon<strong>de</strong>ncia, en una forma equivalente, en <strong>la</strong>versión probabilística <strong>de</strong> <strong>la</strong> teoría. Luego, no está <strong>de</strong> más, dar unajustificación, por lo menos simbólica.Para ello aplicaremos el principio <strong>de</strong> correspon<strong>de</strong>ncia. A cada término enr λ <strong>de</strong> <strong>la</strong> parte irregu<strong>la</strong>r <strong>de</strong>l covariograma g le correspon<strong>de</strong>, por subida eltérmino A λ r 1+λ en el covariograma subido g 1 (re<strong>la</strong>ciones (1-10) y (1-12)),<strong>de</strong>spués el término A λ T 1+λ 2+λa 1 en <strong>la</strong> expresión <strong>de</strong>l término <strong>de</strong> rebanada(re<strong>la</strong>ciones (1-18) y (1-19)). Igualmente, r λ 1+λcontribuye con T λ a 1 a 2 altérmino <strong>de</strong> línea. Nuestro principio <strong>de</strong> composición se traduce entoncespor <strong>la</strong> reg<strong>la</strong> <strong>de</strong> correspon<strong>de</strong>ncia:(1-23)r → A T a + T aaλ 2+ λ 1+λλ 1+λ 1 λ 1 2Inversamente, <strong>la</strong> reg<strong>la</strong> (1-23) permite reconstituir el principio (1-20)(con <strong>la</strong> única condición que el covariograma g sea isótropo o puedareducirse a <strong>la</strong> forma isótropa por una transformación lineal). Esta es <strong>la</strong>reg<strong>la</strong> que vamos a justificar.Justificación <strong>de</strong> <strong>la</strong> reg<strong>la</strong> (1-23).Partamos <strong>de</strong> <strong>la</strong> fórmu<strong>la</strong> general (1-16), en que G(u,v) es <strong>la</strong> transformada<strong>de</strong> Fourier <strong>de</strong>l covariograma g. Esta fórmu<strong>la</strong> se escribe:2⎛ p q ⎞σ ( a1, a2) = ∑ G⎜, ⎟−G(0,0)pq , ⎝a1 a2⎠En <strong>la</strong> suma doble, los términos correspondientes a q=0 proporcionan eltérmino <strong>de</strong> rebanada.36
2⎛ p ⎞σ1 ( a1) = ∑ G⎜,0 ⎟−G(0,0)p ⎝a1⎠En efecto G(u,0) es <strong>la</strong> transformada <strong>de</strong>l covariograma subido g 1 (h), y <strong>la</strong>fórmu<strong>la</strong> (1-15) muestra que el término anterior es precisamente <strong>la</strong>2varianza <strong>de</strong> 1 dimensión σ1 ( a1) = ξa( g1 1), calcu<strong>la</strong>da en el variograma subidog 1 . El segundo término o término <strong>de</strong> línea, tiene entonces <strong>la</strong> expresiónexacta:+∞ +∞⎛ p q ⎞2 ∑∑ G ⎜ , ⎟q= 1 p=−∞⎝ a1 a2 ⎠Para justificar (1-23), es necesario probar que <strong>la</strong> contribución <strong>de</strong>ltérmino en r λ a esta expresión en el <strong>de</strong>sarrollo <strong>de</strong> g es T λ a 1 a 1+λ 2 . En elespacio <strong>de</strong> dos dimensiones, <strong>la</strong> transformada <strong>de</strong> r λ es:F ( r ) =⎛λ+ 1⎞Γ1 ⎜ ⎟⎝ 2 ⎠ 1λ2 1 λλπ + ⎛ λ ⎞1+2 2 2Debemos establecer entonces <strong>la</strong> re<strong>la</strong>ción:Γ⎜− ⎟ ( u + v )⎝ 2 ⎠(1-24)⎛λ+ 1⎞2Γ⎜ ⎟ +∞ +∞⎝ 2 ⎠11+λπ λ∑∑⎛ ⎞Γ⎜− ⎟ ⎛ p q ⎞⎝ 2 ⎠ ⎜ +2 2 ⎟⎝ a1 a2⎠λq= 1 p=−∞1+2 2 2= Taa1+λλ 1 2para un entero q fijo, se tiene:(1-25)λ+2+∞ +∞1 ⎛a2⎞1∑ =λλp1+ ⎜ ⎟ ∑=−∞12 2 q2 p=−∞+2 2⎛ 2p q ⎞ ⎝ ⎠ ⎛ pa ⎞2⎜ + 12 2 ⎟ ⎜ +2 2 ⎟a1 a2 q a1⎝ ⎠ ⎝ ⎠Por otra parte se supone que a 2 es pequeño respecto <strong>de</strong> a 1 , luego <strong>la</strong>cantidad:a2b =qaes pequeña. La suma <strong>de</strong> Riemann:pb1λ1+2 2 2(1 + b p )proporciona una buena aproximación <strong>de</strong> <strong>la</strong> integral:∑37
+∞∫dxλ1+2 2(1 x )−∞+Por otra parte se pue<strong>de</strong> <strong>de</strong>mostrar que el error cometido al reemp<strong>la</strong>zar <strong>la</strong>suma discreta por una integral es <strong>de</strong> un or<strong>de</strong>n muy elevado en b. Se<strong>de</strong>duce, con una aproximación excelente:p⎛1+λ ⎞+∞Γb 1 dx 1 ⎜ ⎟2≈ = π⎝ ⎠λλ1+ 12 2 b+2 2 b λ−∞⎛ ⎞2(1 + b p ) (1 + x ) Γ ⎜1+⎟⎝ 2 ⎠∑ ∫Al reemp<strong>la</strong>zar b por su valor a 2 q/a 1 , e introduciendo este valor en (1-25),se tiene:+∞∑p=−∞⎛1+λ ⎞Γ1 ⎜ ⎟2 1= aa π⎝ ⎠λ1+2 2 ⎛ λ ⎞ q⎛ 2p q ⎞ Γ ⎜1+⎟⎜ +2 2 ⎟⎝ 2 ⎠⎝ a1 a2⎠1+λ1 2 1+λAl llevar este resultado al primer miembro <strong>de</strong> (1-24) se obtiene:⎛1+λ ⎞Γ2 ⎜ ⎟2 1+∞1+λ ⎝ ⎠1 2 1 1 λλ λ∑ ++ ⎛ ⎞2q=1 qaaπΓ ⎜ − ⎟⎝ 2 ⎠Pero, según (1-19) esta expresión es precisamente igual a T λ a 1 a 1+λ 2 , <strong>de</strong>manera que <strong>la</strong> re<strong>la</strong>ción (1-24) se verifica, luego también <strong>la</strong> reg<strong>la</strong> <strong>de</strong>correspon<strong>de</strong>ncia (1-23) y el principio <strong>de</strong> composición se encuentrajustificado.1-4-5 Aplicación a <strong>la</strong> estimación <strong>de</strong> una superficie.Apliquemos el principio <strong>de</strong> composición <strong>de</strong>l párrafo anterior al caso <strong>de</strong> <strong>la</strong>estimación <strong>de</strong> una superficie S. La V.R. a estimar es <strong>la</strong> funciónindicatriz k(x) <strong>de</strong>l conjunto S. Hemos visto que el covariogramageométrico K(h) asociado es lineal en una vecindad <strong>de</strong>l origen (párrafo1), es <strong>de</strong>cir:Kh ( ) = S− | hD | α+ ...En que D α es <strong>la</strong> variación diametral en <strong>la</strong> dirección α <strong>de</strong>l vector h.38
a/ Consi<strong>de</strong>remos primero el caso isótropo, es <strong>de</strong>cir en el caso en que <strong>la</strong>variación diametral D α =D es aproximadamente in<strong>de</strong>pendiente <strong>de</strong> <strong>la</strong> direcciónα. Con T 1 =-1/6 y a 1 T 2 =-0.0609, <strong>la</strong> reg<strong>la</strong> (1-23) proporciona <strong>la</strong> varianza <strong>de</strong>estimación <strong>de</strong> S para una mal<strong>la</strong> rectangu<strong>la</strong>r (a 1 , a 2 ), en <strong>la</strong> forma:(1-26)2 1 2 3σ SD ⎛⎞= ⎜ aa1 2+ 0.0609 a1 ⎟ ( a2 ≤a1)⎝6⎠Busquemos más bien <strong>la</strong> varianza re<strong>la</strong>tiva σ S 2 /S 2 . En realidad no conocemosel verda<strong>de</strong>ro valor <strong>de</strong> S, sino simplemente su estimador na 1 a 2 , siendo n elnúmero <strong>de</strong> puntos positivos <strong>de</strong> <strong>la</strong> red. Al dividir por (na 1 a 2 ) 3/2 √(S), seobtiene <strong>la</strong> expresión interesante:(1-27)23/2σS1 D ⎛1a ⎛2a ⎞ ⎞22 3/2S n S ⎜⎜ ⎟6 a1 a ⎟1= + 0.0609 ( a2 ≤a1)⎝⎝ ⎠ ⎠Por otra parte, no conocemos <strong>la</strong> variación diametral D. Para estimar<strong>la</strong>, sereemp<strong>la</strong>za el conjunto S <strong>de</strong>sconocido por <strong>la</strong> unión <strong>de</strong> <strong>la</strong>s zonas <strong>de</strong>influencia (rectángulos a 1 , a 2 ). Se cuentan los números 2N 1 y 2N 2 <strong>de</strong>elementos lineales a 1 , a 2 que constituyen el perímetro <strong>de</strong>l contornoobtenido. Las variaciones diametrales correspondientes son D 1 =N 1 a 1 yD 2 =N 2 a 2 . Como estamos, por el momento, en el caso isótropo, se tiene:D = N1a1=N2a2Sustituyendo en (1-26), y dividiendo por S 2 =(na 1 a 2 ) 2 . Queda:(1-28)2 2σ 1 ⎛SN2 N ⎞1= 0.061 (2 2 ⎜ + ⎟ N2 ≤ N1)S n ⎝ 6 N2⎠b/ En general, sin embargo, el contorno no será suficientemente isótropopara que D α pueda ser consi<strong>de</strong>rado como una constante D. Por ejemplo,pue<strong>de</strong> presentar una dirección principal <strong>de</strong> alongamiento. Si uno <strong>de</strong> los<strong>la</strong>dos <strong>de</strong> <strong>la</strong> mal<strong>la</strong> es parale<strong>la</strong> a esta dirección principal (lo cual será amenudo el caso), <strong>la</strong> fórmu<strong>la</strong> (1-28) anterior sigue siendo válida: enefecto, tomando esta dirección principal como eje <strong>de</strong> <strong>la</strong>s x, ymultiplicando <strong>la</strong>s coor<strong>de</strong>nadas por un módulo conveniente, obtenemos unanueva figura, isótropo esta vez (al menos en primera aproximación) para<strong>la</strong> cual (1-28) es válida. Pero esta transformación no ha modificado ni N 139
ni N 2 , ni <strong>la</strong> varianza re<strong>la</strong>tiva σ S 2 /S 2 , <strong>de</strong> manera que (1-28) es válidatambién en el caso <strong>de</strong> una figura inicial anisótropa.Ejemplo: en <strong>la</strong> figura adjunta, se estima el área mineralizada por 10veces el rectángulo <strong>de</strong> mal<strong>la</strong> a 1 a 2: La figura tiene un hoyo (una <strong>la</strong>guna).Al contar N 1 y N 2 <strong>de</strong>ben figurar también los elementos exteriores y loselementos interiores.Se lee en <strong>la</strong> figura:Por consiguiente:2D 1 = 12 a 1 es <strong>de</strong>cir N 1 = 62D 2 = 8 a 2 es <strong>de</strong>cir N 2 = 42σS1 ⎡4 36⎤1.21= 0.0612S 100 ⎢+ × =⎣6 4 ⎥⎦ 100Es <strong>de</strong>cir una <strong>de</strong>sviación estándar re<strong>la</strong>tiva σ S /S = 11/100, y un errorre<strong>la</strong>tivo (con 95% <strong>de</strong> confianza) <strong>de</strong> ±22%.No se <strong>de</strong>be olvidar que este cálculo hace abstracción <strong>de</strong>l términofluctuante o Zitterbewegung, <strong>de</strong>l cual sabemos que pue<strong>de</strong> tener unamagnitud enorme.40
Figura 1: Zitterbewegung en <strong>la</strong> estimación <strong>de</strong> <strong>la</strong> superficie <strong>de</strong> un círculo<strong>de</strong> diámetro 1, a partir <strong>de</strong> una mal<strong>la</strong> cuadrada <strong>de</strong> <strong>la</strong>do a. En abscisa, <strong>la</strong>mal<strong>la</strong> a. En or<strong>de</strong>nada, <strong>la</strong> varianza <strong>de</strong> estimación correspondiente σ 2 (a). Lacurva en morado representa el valor exacto, calcu<strong>la</strong>do a partir <strong>de</strong> <strong>la</strong>fórmu<strong>la</strong> exacta (1-14), <strong>la</strong> curva en azul representa <strong>la</strong> fórmu<strong>la</strong> σ 2 (a) =0.2276 a 3 + 0.0047 a 5 obtenida <strong>de</strong>spreciando el Zitterbewegung y reteniendolos dos primeros términos <strong>de</strong>l <strong>de</strong>sarrollo limitado dado por el principio<strong>de</strong> correspon<strong>de</strong>ncia (Nota <strong>de</strong>l T.: no correspon<strong>de</strong> a <strong>la</strong> figura original).41
1-4-6 Paso a <strong>la</strong> versión probabilística <strong>de</strong> <strong>la</strong> teoría.En este primer capítulo hemos adoptado el punto <strong>de</strong> vista espontáneo y, sise pue<strong>de</strong> <strong>de</strong>cir, ingenuo, que consiste en tomar el fenómeno que se quiereestudiar tal como se presenta, sin hacer sobre éste ninguna hipótesisparticu<strong>la</strong>r. Sin embargo, si los métodos transitivos pretendían, alcomienzo, construir <strong>la</strong> teoría <strong>de</strong> <strong>la</strong>s V.R. sin introducir interpretacionesprobabilísticas, esta pretensión no ha tardado en reve<strong>la</strong>rse comoinjustificada. En primer lugar, un fenómeno inesperado como elZitterbewegung (párrafo 1-4-3) es muy característico <strong>de</strong> una situaciónpre-aleatoria <strong>la</strong> cual los físicos conocen bien: aquel<strong>la</strong> en que una ligeramodificación <strong>de</strong> <strong>la</strong>s condiciones iniciales, imprevisible experimentalmente(aquí es <strong>la</strong> razón <strong>de</strong> <strong>la</strong> mal<strong>la</strong> módulo 1), provocan al cabo <strong>de</strong> un ciertotiempo, una modificación radical <strong>de</strong>l fenómeno observable. Másprofundamente aún, el covariograma g(h) – si lo conociéramosperfectamente – presentaría pequeñas ondu<strong>la</strong>ciones, puntos singu<strong>la</strong>res,toda una estructura <strong>de</strong> <strong>de</strong>talle <strong>la</strong> cual proporcionaría tanta información,o casi, que <strong>la</strong> misma V.R. Pero esta rica estructura <strong>de</strong> <strong>de</strong>talle, nunca esaccesible experimentalmente. Partiendo <strong>de</strong> puntos experimentalesdiscontinuos, ajustamos un mo<strong>de</strong>lo teórico <strong>de</strong> covariograma, que será unacurva regu<strong>la</strong>r y continua, salvo en una vecindad <strong>de</strong>l origen y <strong>de</strong>l alcance(observación final <strong>de</strong>l párrafo 1-4-1). Más precisamente, somos llevados ahacer una hipótesis sobre el comportamiento analítico (en h λ por ejemplo)<strong>de</strong>l g(h) en una vecindad <strong>de</strong>l origen. En efecto, no hay nada que nos digaque el verda<strong>de</strong>ro g(h) presenta un comportamiento analítico <strong>de</strong> un tipo tansimple. Des<strong>de</strong> el punto <strong>de</strong> vista matemático, <strong>la</strong>s operaciones <strong>de</strong>alisamiento o <strong>de</strong> regu<strong>la</strong>rización que implican una hipótesis <strong>de</strong> este tipo,son difíciles <strong>de</strong> analizar con precisión. Pero es c<strong>la</strong>ro que estashipótesis evitan necesariamente <strong>la</strong> estructura fina <strong>de</strong> g(h) y toda <strong>la</strong>riqueza <strong>de</strong> información potencial contenida. Si bien el caráctermatemático <strong>de</strong> estas operaciones es más bien oscuro, su significaciónepistemológica es evi<strong>de</strong>nte: Constituyen un equivalente camuf<strong>la</strong>do <strong>de</strong> unpaso a <strong>la</strong> esperanza matemática. Así, los métodos transitivos, que semostraban al comienzo como puramente geométricos, se reve<strong>la</strong>n, cuando seanalizan <strong>la</strong>s condiciones <strong>de</strong> su puesta en práctica efectiva, como <strong>de</strong> unrico contenido probabilístico implícito.Haremos aparecer entonces, por fin, estas hipótesis probabilísticas quedisimu<strong>la</strong>ban los métodos transitivos, y esto será nuestra teoría <strong>de</strong> <strong>la</strong>sfunciones aleatorias intrínsecas. Sin embargo los fenómenos a los cualesnos interesamos <strong>de</strong>ben, en general, ser consi<strong>de</strong>rados como únicos, y <strong>la</strong>inferencia estadística será (en principio) posible mediante una hipótesisespecial, <strong>de</strong>l tipo estacionaria o intrínseca. Esta hipótesis aparecerá aveces p<strong>la</strong>usible, a veces francamente contraria a los datosexperimentales, y, en todos los casos, como una hipótesis arbitraria. Porotra parte pue<strong>de</strong> parecer ilusorio interpretar un fenómeno <strong>de</strong> <strong>la</strong>naturaleza como una función aleatoria si no estamos en condiciones <strong>de</strong>restituir, sin ambigüedad, <strong>la</strong> ley <strong>de</strong> probabilidad <strong>de</strong> esta funciónaleatoria (F.A.) a partir <strong>de</strong>l fenómeno real. Vemos aparecer así una nuevacontradicción. Recién, los métodos transitivos reve<strong>la</strong>ban un contenidoprobabilístico inconfesable: pero no implicaban ninguna hipótesis <strong>de</strong>estacionaridad (y es aquí don<strong>de</strong> resi<strong>de</strong> su interés metodológico). Ahoravamos a poner a plena luz estas hipótesis probabilísticas, anteriormenteescondidas, pero nos va parecer que estas hipótesis solo tienen sentidomediante esta hipótesis <strong>de</strong> estacionaridad, <strong>la</strong> cual, justamente, no eranecesaria en el caso <strong>de</strong> los métodos transitivos.42
La aproximación <strong>de</strong> estos dos puntos <strong>de</strong> vista opuestos indica c<strong>la</strong>ramente<strong>la</strong> solución: <strong>la</strong> interpretación probabilística es inevitable, pero <strong>la</strong>hipótesis estacionaria no es realmente necesaria. La V.R. <strong>de</strong>berá serconsi<strong>de</strong>rada, en general, como una realización <strong>de</strong> una F.A. noestacionaria, y <strong>la</strong> herramienta <strong>de</strong> base será una covarianza noestacionaria C(x, y) <strong>la</strong> cual <strong>de</strong>pen<strong>de</strong>, <strong>de</strong> manera separada <strong>de</strong> los dospuntos <strong>de</strong> apoyo x e y (y no so<strong>la</strong>mente <strong>de</strong> <strong>la</strong> diferencia x-y). Lainferencia estadística permanecerá imposible, en el sentido que nopo<strong>de</strong>mos <strong>de</strong>terminar C(x, y) a partir <strong>de</strong> los datos disponibles. Pero notenemos necesidad <strong>de</strong> conocer efectivamente esta covarianza. Para verlobastará <strong>de</strong> transformar en términos probabilísticos los resultados <strong>de</strong> losmétodos transitivos. Si se trata, por ejemplo, <strong>de</strong> estimar un dominio V,cuya indicatriz es k(x), los métodos transitivos muestran que esnecesario conocer <strong>la</strong> función:∫gh ( ) = kx ( ) f( xkx ) ( + h) f( x+hdx )En <strong>la</strong> versión probabilística, el covariograma geométrico es en sí mismouna F.A. y es su esperanza E(g(h)) lo que es necesario y suficienteconocer para resolver el problema <strong>de</strong> <strong>la</strong> estimación. Esta esperanza se<strong>de</strong>duce <strong>de</strong> <strong>la</strong> covarianza no estacionaria por <strong>la</strong> re<strong>la</strong>ción:(1-29) E( g( h)) = k( x) k( x+ h) C( x, x+h)dx∫Es, por otra parte, <strong>la</strong> re<strong>la</strong>ción que se aplicaba implícitamente cuando se<strong>sus</strong>tituía un mo<strong>de</strong>lo teórico al verda<strong>de</strong>ro g(h) <strong>de</strong>sconocido. Estaesperanza, salvo un factor, no difiere <strong>de</strong> <strong>la</strong> covarianza seudoestacionariaCh ( ), valor medio <strong>de</strong> C(x, y) en el domino V a estimar, quese atribuiría a <strong>la</strong> función aleatoria si se <strong>la</strong> consi<strong>de</strong>ra como estacionaria(a pesar <strong>de</strong> que, quizás, no lo es). En efecto, se tiene c<strong>la</strong>ramente:1 Egh ( ( ))Ch ( ) = kxkx ( ) ( hCxx ) ( , hdx )Kh ( )∫ + + =Kh ( )Así, es esta esperanza E[g(h)] o esta covarianza media Ch ( ) lo que bastaconocer para resolver el problema <strong>de</strong> <strong>la</strong> estimación. A<strong>de</strong>más, los métodos<strong>de</strong> aproximación que hemos <strong>de</strong>sarrol<strong>la</strong>do, muestran que es suficienteconocer el comportamiento en el origen <strong>de</strong> esta función E[g(h)] o Ch. ( )Mostraremos más a<strong>de</strong><strong>la</strong>nte que <strong>la</strong> inferencia estadística a partir <strong>de</strong> unarealización única es posible para aquello que nos interesa (estecomportamiento en una vecindad <strong>de</strong>l origen) mediante so<strong>la</strong>mente unahipótesis <strong>de</strong> cuasi-estacionaridad que precisaremos al hacer camino: peroesta hipótesis será esta vez lo suficientemente débil para serfísicamente admisible en todos los casos que nos interesan. Dicho <strong>de</strong> otramanera, el problema <strong>de</strong> <strong>la</strong> estimación será posible <strong>de</strong> resolver en un marcoexplícitamente probabilístico y utilizando so<strong>la</strong>mente los datosexperimentalmente disponibles.Se comprueba aquí <strong>la</strong> importancia metodológica <strong>de</strong> este primer capítulo, elcual, a primera vista, pue<strong>de</strong> parecer un poco teórico: una vezprobabilizados, los resultados <strong>de</strong> los métodos transitivos, muestran quees posible evitar <strong>la</strong> famosa hipótesis <strong>de</strong> estacionaridad, y esta es <strong>la</strong>43
azón por <strong>la</strong> cual dimos una exposición bastante completa. Pasemos ahora a<strong>la</strong> versión probabilística <strong>de</strong> <strong>la</strong> teoría.1-5 EJERCICIOS SOBRE LOS METODOS TRANSITIVOS.1-5-1 Ejercicios sobre los párrafos 1-1 y 1-2.Ejercicio 1 (Función triangu<strong>la</strong>r) – En el espacio <strong>de</strong> una dimensión,encontrar el covariograma geométrico K(h) asociado a un segmento <strong>de</strong> <strong>la</strong>rgob.(Solución: K(h)=b-|h| para |h|≤b, y 0 en otro caso. Observar elcomportamiento lineal en una vecindad <strong>de</strong> h=0 y el empalme brutal en h=b).La misma pregunta en R 2 para el rectángulo axb (Solución: K(h 1 , h 2 )=(a-|h 1 |)(b-|h 2 |) para |h 1 |≤a y |h 2 |≤b) y en R 3 para el paralelepípedo axbxc.Ejercicio 2 (Algoritmo <strong>de</strong> Cauchy) – Sea V un conjunto en R n , K(h) sucovariograma geométrico, y g(h) una función cualquiera <strong>de</strong> un argumentovectorial h. Probar que el valor medio <strong>de</strong> g(x-y) cuando <strong>la</strong>s dosextremida<strong>de</strong>s x e y <strong>de</strong>l argumento <strong>de</strong> g <strong>de</strong>scriben separadamente V, se<strong>de</strong>duce <strong>de</strong> K(h) por <strong>la</strong> fórmu<strong>la</strong>:1 1dx g( x y) dy g( h) K( h)dhV∫ ∫ − =V∫2 2V V(Solución: explicitar <strong>la</strong> integral doble con <strong>la</strong> ayuda <strong>de</strong> <strong>la</strong> indicatriz <strong>de</strong>V, hacer un cambio <strong>de</strong> variable e invertir el or<strong>de</strong>n <strong>de</strong> integración. Estealgoritmo es <strong>de</strong> empleo constante en <strong>la</strong> teoría <strong>de</strong> <strong>la</strong>s V.R.)Aplicación – (ver ejercicio 1) si g=g(r) solo <strong>de</strong>pen<strong>de</strong> <strong>de</strong>l módulo r=|h|,el valor medio <strong>de</strong> g en el rectángulo axb es:4ab2 2a∫ ∫0 0b2 2( − )( − ) ( + )dx a x b y g x y dyEjercicio 3 – Sea en R 1 <strong>la</strong> función f(x)=e -ax para x≥0 y f(x)=0 para x
gh ( )⎛16 4 h 2 | h | 1 | h|⎝15 3 b 3 b 30 b2 3 55= b⎜− + −2 3 5Observar el término irregu<strong>la</strong>r principal en |h| 3 : se trata <strong>de</strong> una funcióncontinua. Más que hacer un cálculo directo, se mostrará que si f es<strong>de</strong>rivable, su covariograma g = f * f tiene por <strong>de</strong>rivada segunda g " =−f ' ∗( f ') ,y se utilizará el ejercicio 4. Luego hay que integrar dos veces,observando que g’(0)=0 y calcu<strong>la</strong>ndo directamente g(0).Ejercicio 6 (fórmu<strong>la</strong> <strong>de</strong> Minkowski) – Sea S un conjunto suficientementeregu<strong>la</strong>r <strong>de</strong> R 2 , K(h) su covariograma geométrico y 2L su perímetro.Establecer <strong>la</strong> re<strong>la</strong>ción:⎞⎟⎠π'2 =−∫ α(0)0L K dα(poner –K ’ α(0) en <strong>la</strong> forma <strong>de</strong> una integral curvilínea (1/ 2) | cos( θ −α) | dsextendida al contorno <strong>de</strong> S, e integrar primero en α).Igualmente, si V es un conjunto <strong>de</strong> R 3 , K(h) su covariograma geométrico, yS su superficie, probar que:1=−π ∫'S Kω(0) d(en que ω es el ángulo sólido elemental en torno a <strong>la</strong> dirección ω,integración sobre 4π estéreoradianes).(Estas fórmu<strong>la</strong>s son muy útiles en morfología matemática: permitenreconstituir el perímetro o <strong>la</strong> superficie específica a partir <strong>de</strong> <strong>la</strong><strong>de</strong>rivada <strong>de</strong> <strong>la</strong> función <strong>de</strong> covarianza o <strong>de</strong>l covariograma, es <strong>de</strong>cir <strong>de</strong>observaciones exclusivamente lineales).Ejercicio 7 (Efecto <strong>de</strong> pepita) – En R 1 se divi<strong>de</strong> el intervalo (0,b) en nintervalos iguales <strong>de</strong> <strong>la</strong>rgo l/n, y se consi<strong>de</strong>ran n <strong>variables</strong> aleatoriasX i <strong>la</strong>s cuales admiten <strong>la</strong> misma esperanza m y <strong>la</strong> misma varianza σ 2 . Se ponef(x) = X i para cada (i-1)a ≤ x ≤ ia, i = 1, 2, ..., n y f(x) = 0 alexterior <strong>de</strong> (0, b). Encontrar <strong>la</strong> esperanza g(h) <strong>de</strong>l covariograma <strong>de</strong> f(x).(Solución: σ 2 (b - n|h|) + m 2 (b - |h|) para h ≤ a, m 2 (b - |h|) paraa
Deducir que para α fijo y r≥0, g(r; α) es una función convexa <strong>de</strong> r.b/ Ahora se sortea al azar <strong>la</strong> dirección α según <strong>la</strong> ley <strong>de</strong> <strong>de</strong>nsidad:D' αg (0; α)=− d α 0 ≤α ≤ π2L2L(ver ejercicio 6 para verificar que se trata bien <strong>de</strong> una ley <strong>de</strong>probabilidad). Esta ley atribuye a cada dirección α una probabilidadproporcional al contorno aparente <strong>de</strong> S en esa dirección, correspondiendoexactamente a <strong>la</strong> ley (condicional) <strong>de</strong> <strong>la</strong>s intersecciones <strong>de</strong> S con una redprevia <strong>de</strong> rectas aleatorias en <strong>la</strong>s cuales <strong>la</strong>s direcciones estándistribuidas uniformemente en (0, π ) . Mostrar que <strong>la</strong> granulometría <strong>de</strong> <strong>la</strong>transversal correspondiente es:con el valor medio:π1 '1 − ( ) =− ( ; α)2L∫0Fh g h dαEh ( )= πEjercicio 9 (covariograma geométrico <strong>de</strong> <strong>la</strong> esfera). Encontrar elcovariograma K(h) <strong>de</strong> una esfera <strong>de</strong> diámetro D en R 3 .S2L(Solución:3 3π D ⎛ 3| h| 1| h|⎞Kh ( ) = ⎜1 − + para h D.3 ⎟ ≤6 ⎝ 2 D 2 D ⎠Partir <strong>de</strong> <strong>la</strong> re<strong>la</strong>ción:πK ( h)= D − h4( )' 2 2e integrar, observando queg(0)π63= D ).Ejercicio 10 (subida <strong>de</strong> or<strong>de</strong>n 2) – Efectuar directamente <strong>la</strong> subidaisótropa <strong>de</strong> or<strong>de</strong>n 2 sobre <strong>la</strong> función g n (r)=r λ (0≤r≤1), g n (r)=0 (r>1).Deducir que los coeficientes A λ <strong>de</strong> <strong>la</strong> re<strong>la</strong>ción (1-10) verifican:2AA = πλ λ + 1λ + 22π2(Solución: gn2() r (1 r λ +−= − ) para r≤1, y 0 para r>1. La subida <strong>de</strong> or<strong>de</strong>n 2λ + 2λλ+2verifica <strong>la</strong> reg<strong>la</strong> r → AλAλ+1r, respecto <strong>de</strong> <strong>la</strong> parte irregu<strong>la</strong>r; estareg<strong>la</strong> proporciona el resultado salvo una serie par, en este caso reducidaa una constante)46
2 2Ejercicio 11 – Covariograma <strong>de</strong> <strong>la</strong> función f( x) = ( π /4)( D − x ) para -D≤x≤D, 0en otro caso (f(x) es <strong>la</strong> sección <strong>de</strong> una esfera <strong>de</strong> diámetro D por un p<strong>la</strong>no<strong>de</strong> cota x)(Solución:2 3 52⎛1 h | h| 1| h|⎞5g( h) = ( π /6) ⎜ − + − D2 3 5 ⎟⎝5 D D 5 D ⎠Hacer directamente <strong>la</strong> subida <strong>de</strong> or<strong>de</strong>n 2 sobre el covariograma geométrico<strong>de</strong>l ejemplo 9. Comparar con el ejemplo 5).Ejercicio 11 bis (Reconstitución <strong>de</strong> <strong>la</strong> granulometría <strong>de</strong> esferas) - Setiene, en R 3 una pob<strong>la</strong>ción <strong>de</strong> esferas. Sea θ 3 el número <strong>de</strong> esferas porunidad <strong>de</strong> volumen, y sea F 3 (D) <strong>la</strong> granulometría <strong>de</strong> estas esferas. Dicho<strong>de</strong> otra manera, θ 3 [1-F 3 (D)] es el número <strong>de</strong> esferas <strong>de</strong> diámetro ≥Dpresentes por unidad <strong>de</strong> volumen. Estas esferas inducen círculos ytransversales (cuerdas) sobre p<strong>la</strong>nos y rectas respectivamente. Sea θ 2 elnúmero <strong>de</strong> círculos por unidad <strong>de</strong> longitud y sea 1-F 2 (D) su granulometría(que es <strong>la</strong> granulometría inducida por F 3 en los p<strong>la</strong>nos); sea θ 1 el número<strong>de</strong> transversales por unidad <strong>de</strong> longitud y sea 1- F 1 (D) <strong>la</strong> granulometría(inducida sobre <strong>la</strong>s rectas por F 3 y también por F 2 ).a/ Establecer <strong>la</strong>s re<strong>la</strong>ciones:∞Dπθ [1 − F( h)] = θ [1 − F ( D)] dD= θ [1 −F ( D)]2DdD∫1 1 22 22 3 34h D − hh∞Dθ [1 − F ( h)] = θ [1 −F ( D)]dD∫2 2 32 23h D − h∞∫(primero establecer que, por ejemplo,una integración por partes.∞2 21−1= θ2∫−2hθ [1 F ( h)] D h F ( D)dD , y hacerb/ Invertir <strong>la</strong>s re<strong>la</strong>ciones: al utilizar (1-8), probar que se tiene, porejemplo:' πθ1F1( h) = θ3h[1 −F3( h)]2∞2 '2− F2 h = θ1 1π∫hθ [1 ( )] F ( u)udu− h2 2Deducir que 2 2 ∞θ 3= F "(0) θ 11, θ 2= θ 1F 1( du)ππ∫ , y reconstituir <strong>la</strong>s granulometríasuh<strong>de</strong> los círculos y <strong>de</strong> <strong>la</strong>s esferas a partir <strong>de</strong> <strong>la</strong> granulometría <strong>de</strong> <strong>la</strong>stransversales.Ejercicio 12 (Subida sobre <strong>la</strong> exponencial <strong>de</strong> Gauss) – La subida <strong>de</strong> or<strong>de</strong>n1 transforma exp(-ar 2 ) en:47
π −2areaEjercicio 13 (Covariograma exponencial) – Sea, en el espacio <strong>de</strong> una| h|dimensión, una V.R. con covariograma transitivo g( h)= e −λ. Determinar <strong>la</strong>expresión exacta <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> estimación σ 2 (a), encontrar su parteprincipal, y concluir en ausencia <strong>de</strong> Zitterbewegung.Solución:⎛ 2 2 ⎞ 1σ ( a) = a⎜−1− ⎟≈λa⎝1−e λa⎠62 2−λa(llevando el <strong>de</strong>sarrollo más lejos, se i<strong>de</strong>ntificarán también los términosT 1 , T 3 , T 5 , ... <strong>de</strong> <strong>la</strong>s re<strong>la</strong>ciones (1-18). En particu<strong>la</strong>r T 1 =-1/6).Ejercicio 14 (Covariograma triangu<strong>la</strong>r) Sea en el espacio <strong>de</strong> una dimensión<strong>la</strong> V.R. igual a 1 en el intervalo (0,b).a/ Encontrar el covariograma <strong>de</strong> f(x)(Solución: g(h)=b-|h| para |h|≤b y 0 para |h|>b; establecer esteresultado por un razonamiento geométrico).b/ Calcu<strong>la</strong>r <strong>la</strong> varianza <strong>de</strong> estimación para una mal<strong>la</strong> a pequeña, por medio<strong>de</strong> <strong>la</strong> fórmu<strong>la</strong> <strong>de</strong> aproximación. (Solución: (1/6)a 2 ).c/ Se dispone <strong>de</strong> n+2 sondajes S 0 , S 1 , ..., S n , S n+1 en una mal<strong>la</strong> regu<strong>la</strong>r en<strong>la</strong> cual el primero y el último <strong>de</strong> los sondajes son negativos y el restotodos positivos. Se admite que cada una <strong>de</strong> <strong>la</strong>s dos extremida<strong>de</strong>s <strong>de</strong>lintervalo <strong>de</strong>l cual se quiere estimar <strong>la</strong> longitud b pue<strong>de</strong> caer encualquier parte <strong>de</strong>l segmento (S 0 , S 1 ) y (S n , S n+1 ) respectivamente, <strong>de</strong>manera in<strong>de</strong>pendiente una <strong>de</strong> <strong>la</strong> otra, con una <strong>de</strong>nsidad uniforme. Lalongitud b es entonces una variable aleatoria. Probar que E(b)=na;D 2 (b)=a 2 /6: se encuentra bien <strong>la</strong> varianza <strong>de</strong> estimación tal como <strong>la</strong>proporciona <strong>la</strong> fórmu<strong>la</strong> <strong>de</strong> aproximación, pero no se obtiene el términofluctuante.d/ Calcu<strong>la</strong>r el valor exacto <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> estimación <strong>de</strong> b/(Solución: poner b=na+εa con 0≤ε
conteniendo S. Si <strong>la</strong> muestra cae en un punto x ∈ S , se toma el estimadorQ * (x)=a 1 a 2 f(x), y 0 si x ∉ S . Q * (x) es así una variable aleatoria. Probardirectamente que:EQ∫*( ) = ( )f xdx( )E Q aa f x dx* 2(( ) ) =1 2( )2 *D ( Q ) = aa1 2g(0) − g( h)dh∫∫249
CAPITULO 2LAS FUNCIONES ALEATORIAS INTRINSECAS2-1 DEFINICIONES GENERALES.Noción <strong>de</strong> Función Aleatoria.En teoría <strong>de</strong> probabilida<strong>de</strong>s se <strong>de</strong>fine <strong>la</strong> noción <strong>de</strong> variable aleatoria(V.A.) vectorial (Y 1 , Y 2 , ..., Y k ) <strong>de</strong> k componentes: es una familia <strong>de</strong> kV.A. ordinarias Y 1 , Y 2 , ..., Y k (en general no in<strong>de</strong>pendientes). Cuando elnúmero k <strong>de</strong> estas componentes se hace infinito, se obtiene una familiainfinita <strong>de</strong> <strong>variables</strong> aleatorias: esto es una función aleatoria. Enparticu<strong>la</strong>r, si x es un punto <strong>de</strong>l espacio <strong>de</strong> n dimensiones R n , se pue<strong>de</strong><strong>de</strong>finir una familia infinita (Y(x)), xЄR n . A todo punto x 0 <strong>de</strong>l espaciocorrespon<strong>de</strong> así una V.A. ordinaria Y(x 0 ). Y(x) es entonces una función<strong>de</strong>l punto x, cuyo “valor” en x 0 no es un número, sino una V.A (a saberY(x 0 )). Se dice que Y(x) es una función aleatoria (abreviado F.A.). Seobservará que, en general <strong>la</strong>s V.A. correspondientes a dos puntos <strong>de</strong> apoyox 1 y x 2 no son in<strong>de</strong>pendientes.Si Y es una V.A. ordinaria, el resultado particu<strong>la</strong>r <strong>de</strong> un experimento a<strong>la</strong>zar según <strong>la</strong> ley <strong>de</strong> probabilidad <strong>de</strong> Y es un valor numérico particu<strong>la</strong>ry. Análogamente, si Y es una V.A. vectorial (Y 1 , Y 2 , ..., Y k ), un sorteoal azar según <strong>la</strong> ley (<strong>de</strong> k <strong>variables</strong>) <strong>de</strong> Y proporciona un vector y=(y 1 ,y 2 , ..., y k ), es <strong>de</strong>cir k valores numéricos particu<strong>la</strong>res. Finalmente, siY(x) es una F.A. – es <strong>de</strong>cir una V.A. vectorial con una infinidad <strong>de</strong>componentes – un sorteo al azar, efectuado según <strong>la</strong> ley (<strong>de</strong> una infinidad<strong>de</strong> <strong>variables</strong>) <strong>de</strong> Y(x) proporciona una función numérica particu<strong>la</strong>r y(x),en general, extraordinariamente irregu<strong>la</strong>r. Se dice que y(x) es unarealización <strong>de</strong> <strong>la</strong> F.A. Y(x).Siempre se pue<strong>de</strong> consi<strong>de</strong>rar una realización <strong>de</strong> una y(x) <strong>de</strong> una F.A. Y(x)como una variable regionalizada. Inversamente, se pue<strong>de</strong> interpretar unaV.R. como una realización <strong>de</strong> una cierta F.A. Y(x): esta interpretaciónpermite aplicar a <strong>la</strong>s V.R. los resultados <strong>de</strong> <strong>la</strong> teoría probabilística <strong>de</strong><strong>la</strong>s F.A.Observaciones1/ No se pue<strong>de</strong> afirmar que una V.R. y(x) es una F.A. Esto tendría elmismo sentido que <strong>de</strong>cir: el número 98 es una V.A. El enunciado correcto<strong>de</strong> <strong>la</strong> hipótesis probabilística <strong>de</strong> base que <strong>de</strong>seamos introducir es: y(x)es una realización <strong>de</strong> una F.A. Y(x).2/ Para que esta hipótesis probabilística tenga un sentido real, esnecesario po<strong>de</strong>r reconstituir, al menos en parte, <strong>la</strong> ley <strong>de</strong> <strong>la</strong> F.A. <strong>de</strong> <strong>la</strong>cual suponemos que <strong>la</strong> V.R. y(x) es una realización, lo cual supone que <strong>la</strong>inferencia estadística es posible. Por otra parte, <strong>la</strong> inferenciaestadística no es, en general, posible si se dispone <strong>de</strong> una so<strong>la</strong>realización y(x) <strong>de</strong> Y(x) (<strong>de</strong> <strong>la</strong> misma manera, no se pue<strong>de</strong> reconstituir <strong>la</strong>ley <strong>de</strong> una V.A. Y a partir <strong>de</strong> un resultado numérico y=98 <strong>de</strong> un únicoexperimento.). Para que <strong>la</strong> inferencia estadística sea posible, esnecesario introducir hipótesis suplementarias acerca <strong>de</strong> <strong>la</strong> F.A. Y(x), <strong>de</strong>manera <strong>de</strong> reducir en número <strong>de</strong> “parámetros” <strong>de</strong> los cuales <strong>de</strong>pen<strong>de</strong> <strong>la</strong> ley<strong>de</strong> Y(x). Este es el objetivo <strong>de</strong> <strong>la</strong> hipótesis estacionaria que vamos a<strong>de</strong>finir: una F.A. estacionaria se repite, <strong>de</strong> una cierta manera, en el50
espacio, y, esta repetición hace posible <strong>la</strong> inferencia estadística apartir <strong>de</strong> una realización única. Precisemos ahora esta hipótesis:F.A. estacionaria. – Se dice que una F.A. Y(x) es estacionaria si su leyes invariante por trans<strong>la</strong>ción. Dicho <strong>de</strong> otra manera, si x 1 , x 2 , ..., x kson k puntos <strong>de</strong> apoyo arbitrarios (k entero cualquiera), <strong>la</strong>s k <strong>variables</strong>aleatorias Y(x 1 ), Y(x 2 ), ..., Y(x k ) tienen <strong>la</strong> misma ley <strong>de</strong> probabilidad(<strong>de</strong> k <strong>variables</strong>) que <strong>la</strong>s k V.A. Y(x 1 +h), Y(x 2 +h), ..., Y(x k +h). Ena<strong>de</strong><strong>la</strong>nte, Y(x) <strong>de</strong>signará una F.A. estacionaria.Esperanza matemática. – Consi<strong>de</strong>remos un punto <strong>de</strong> apoyo x 0 . Si <strong>la</strong> V.A.ordinaria Y(x 0 ) admite una esperanza matemática, ésta es una funciónm(x 0 )=E[Y(x 0 )] <strong>de</strong>l punto <strong>de</strong> apoyo x 0 . Pero Y(x) es estacionaria, porconsiguiente, se tiene: m(x 0 +h)=m(x 0 ), para todo vector h, luego m(x 0 ) esuna constante m, in<strong>de</strong>pendiente <strong>de</strong> x 0 :m=E[ Y( x)]Se pue<strong>de</strong> suponer a menudo que m=0, al reemp<strong>la</strong>zar Y(x) por Y(x)-m(suponiendo siempre que esta esperanza existe).La covarianza K(h). – Consi<strong>de</strong>remos ahora dos puntos <strong>de</strong> apoyo x 0 y x 0 +h. Si<strong>la</strong>s dos V.A. Y(x 0 ) e Y(x 0 +h) admiten varianzas finitas (luego también unaesperanza m que supondremos nu<strong>la</strong>), Y(x 0 ) e Y(x 0 +h) admiten también unacovarianza K(x 0 ;h), que <strong>de</strong>pen<strong>de</strong>, en principio, <strong>de</strong>l punto <strong>de</strong> apoyo x 0 y <strong>de</strong>lvector h. Pero como Y(x) es estacionaria, se tiene: K(x 0 +a;h)=K(x 0 ;h) paratodo vector a, luego K(x 0 ;a) no <strong>de</strong>pen<strong>de</strong> <strong>de</strong> x 0 , y nosotros escribiremossimplemente K(h):(2-1) Kh ( ) = EYxYx [ ( ) ( + h)]Se comparará esta <strong>de</strong>finición a <strong>la</strong> <strong>de</strong>l covariograma transitivo: K(h) es <strong>la</strong>transpuesta probabilística <strong>de</strong> g(h). Para h=0 se tiene K(0)=E([Y(x)] 2 ):que es <strong>la</strong> varianza <strong>de</strong> <strong>la</strong> V.A. Y(x 0 ). Para que una F.A. Y(x) admita unafunción <strong>de</strong> covarianza K(h), es necesario y suficiente que Y(x) admita unavarianza finita K(0).Hipótesis estacionaria <strong>de</strong> or<strong>de</strong>n 2. – Diremos que una F.A. Y(x) esestacionaria <strong>de</strong> or<strong>de</strong>n 2 si <strong>la</strong> V.A. Y(x 0 ) admite una esperanza min<strong>de</strong>pendiente <strong>de</strong>l punto <strong>de</strong> apoyo x 0 , y, si para todo vector h <strong>la</strong>covarianza:2Kh ( ) = EYxYx [ ( ) ( + h)]− mexiste y no <strong>de</strong>pen<strong>de</strong> <strong>de</strong> x 0 . Esta hipótesis (<strong>la</strong> cual no implica <strong>la</strong>estacionaridad en sentido estricto, tal como <strong>la</strong> <strong>de</strong>finimos antes) essuficiente para <strong>la</strong> teoría <strong>de</strong> <strong>la</strong>s V.R. Sin embargo esta hipótesis supone<strong>la</strong> existencia <strong>de</strong> una varianza a priori finita K(0).Varianza a priori infinita. – Por otra parte, existen numerosos fenómenosque presentan una capacidad <strong>de</strong> dispersión ilimitada y no pue<strong>de</strong>n ser<strong>de</strong>scritos correctamente si se les atribuye una varianza a priori finita:esta afirmación pue<strong>de</strong> sorpren<strong>de</strong>r, sin embargo hay que ver que <strong>la</strong>naturaleza nos tien<strong>de</strong> aquí una suerte <strong>de</strong> trampa. Cuando se toman muestrasv en un campo V, se obtiene un histograma a partir <strong>de</strong>l cual se pue<strong>de</strong>calcu<strong>la</strong>r numéricamente una varianza, <strong>la</strong> cual toma un valor perfectamente051
<strong>de</strong>finido. Pero esta varianza es, en realidad, una función σ 2 (v|V) <strong>de</strong>lsoporte v y <strong>de</strong>l campo V. Esta varianza aumente, en particu<strong>la</strong>r, cuando elcampo V aumenta. Si <strong>la</strong>s muestras <strong>de</strong> tamaño v poseen una varianza a priorifinita, ésta <strong>de</strong>be ser igual al límite cuando V tien<strong>de</strong> a infinito, <strong>de</strong> <strong>la</strong>varianza experimental σ 2 (v|V).Es así como los autores <strong>de</strong> Africa <strong>de</strong>l Sur (D. G. Krige, etc., ...), apartir <strong>de</strong> cientos <strong>de</strong> miles <strong>de</strong> muestras tomadas en el gran yacimiento <strong>de</strong>oro <strong>de</strong> Rand, calcu<strong>la</strong>ron <strong>la</strong> varianza <strong>de</strong> <strong>la</strong>s muestras en paneles cada vezmás gran<strong>de</strong>s, luego en toda una concesión, luego en el yacimiento <strong>de</strong> Ran<strong>de</strong>n su conjunto: obtuvieron una re<strong>la</strong>ción experimental <strong>de</strong> <strong>la</strong> forma:2 ⎛V⎞σ ( vV | ) = αlog⎜ ⎟⎝ v ⎠El crecimiento <strong>de</strong> <strong>la</strong> varianza se produce siempre según esta leylogarítmica (fórmu<strong>la</strong> <strong>de</strong> De Wijs) hasta el último punto experimental, enel cual V/v es <strong>de</strong>l or<strong>de</strong>n <strong>de</strong> <strong>la</strong> <strong>de</strong>cena <strong>de</strong> billones: Se pue<strong>de</strong> concluir, conplena seguridad, que, en este caso, no existe una varianza a priorifinita.Entonces estamos conducidos a reemp<strong>la</strong>zar <strong>la</strong> hipótesis estacionaria <strong>de</strong>or<strong>de</strong>n 2 por una hipótesis más débil pero <strong>de</strong> significación análoga:Hipótesis intrínseca. En el caso en que <strong>la</strong> varianza a priori K(0) noexiste (es infinita), pue<strong>de</strong> ocurrir que los incrementos Y(x 0 +h)-Y(x 0 )tengan una varianza finita. Diremos entonces que <strong>la</strong> F.A. Y(x) verifica <strong>la</strong>hipótesis intrínseca si, para todo vector h, el incremento Y(x 0 +h)-Y(x 0 )admite una esperanza y una varianza in<strong>de</strong>pendientes <strong>de</strong>l punto <strong>de</strong> apoyo x 0(pero <strong>de</strong>pendiendo <strong>de</strong> h), es <strong>de</strong>cir:EY [ ( x+ h) − Y( x)] = mh ( )2D [ Y( x+ h) − Y( x)] = 2 γ ( h)La función m(h) es <strong>la</strong> <strong>de</strong>riva lineal. Para <strong>de</strong>mostrar que es lineal en h,se parte <strong>de</strong> <strong>la</strong> re<strong>la</strong>ción evi<strong>de</strong>nte:Y( x+ h" + h') − Y( x) = [ Y( x+ h" + h') − Y( x+ h')] + [ Y( x+ h') − Y( x)]y se pasa a <strong>la</strong>s esperanzas, <strong>de</strong> don<strong>de</strong>: m(h’+h”)=m(h’)+m(h”). Se pue<strong>de</strong>suponer siempre que esta <strong>de</strong>riva lineal m(h) es nu<strong>la</strong>, al reemp<strong>la</strong>zar Y(x)por Y(x)-m(x)La función γ(h):(2-2) γ ( h) = D 2( Y( x+ h) − Y( x))12se l<strong>la</strong>ma variograma o función intrínseca. Una F.A. que verifica <strong>la</strong>hipótesis intrínseca constituye lo que se l<strong>la</strong>ma un esquema intrínseco,caracterizado por su variograma.Observación. Si Y(x) verifica <strong>la</strong> hipótesis estacionaria <strong>de</strong> or<strong>de</strong>n 2,verifica también <strong>la</strong> hipótesis intrínseca y se tiene, en este caso:52
(2-3) γ ( h) = K(0) − K( h)Como |K(h|≤K(0), se tiene γ(h)≤2K(0), <strong>de</strong> manera que el variograma <strong>de</strong> unaF.A. estacionaria <strong>de</strong> or<strong>de</strong>n 2 está necesariamente acotado. Existenesquemas intrínsecos <strong>de</strong> uso muy corriente cuyo variograma γ(h) no estáacotado, y que no pue<strong>de</strong>n, por consiguiente, verificar <strong>la</strong> hipótesisestacionaria <strong>de</strong> or<strong>de</strong>n 2 (tienen una varianza a priori infinita). Ejemplo,esquema <strong>de</strong> De Wijs (γ(h)=3αlog|h|), esquema lineal (γ(h)=A|h|).2-2 PROPIEDADES DE LA COVARIANZA Y DEL VARIOGRAMALa covarianza o el variograma son funciones simétricas:Kh ( ) = K( − h) , γ ( h) = γ ( − h)La covarianza verifica a<strong>de</strong>más <strong>la</strong> <strong>de</strong>sigualdad <strong>de</strong> Schwarz:Kh ( ) ≤ K(0)Para el variograma, se encuentran so<strong>la</strong>mente <strong>la</strong>s re<strong>la</strong>ciones: γ(h)≥0 yγ(0)=0. Sin embargo, es posible <strong>de</strong>mostrar que el crecimiento en elinfinito <strong>de</strong> un variograma es necesariamente menos rápido que elcrecimiento <strong>de</strong> |h| 2 ; es <strong>de</strong>cir:γ ( h)lim = 0h→∞2| h |Estas condiciones son necesarias pero no son suficientes. Sea K o γ unacovarianza o un variograma que verifican estas re<strong>la</strong>ciones, entonces nonecesariamente existe una F.A. estacionaria o intrínseca admitiendo <strong>la</strong>covarianza K o el variograma γ. En efecto, <strong>la</strong> condición necesaria ysuficiente es que K pertenezca a <strong>la</strong> c<strong>la</strong>se <strong>de</strong> funciones “<strong>de</strong> tipo positivo”y –γ a <strong>la</strong> c<strong>la</strong>se <strong>de</strong> funciones <strong>de</strong> “tipo positivo condicional”. Por ejemplo,<strong>la</strong>s funciones log(r) y r λ con λ
es una V.A. (una combinación lineal finita <strong>de</strong> V.A.). Como por hipótesisexiste una función <strong>de</strong> covarianza K(h), <strong>la</strong> variable aleatoria Y admite unavarianza finita, y un cálculo elemental proporciona:(2-5)∑2D Y λλi jK xi xji,j( ) = ( − ) ≥0La condición evi<strong>de</strong>nte D 2 (Y)≥0 expresa (párrafo 1-3) que <strong>la</strong>s funciones <strong>de</strong>covarianza son <strong>de</strong> tipo positivo. A <strong>la</strong> inversa, si K(h) es una función <strong>de</strong>tipo positivo, se muestra que es posible construir una F.A. cuyacovarianza es precisamente K(h). Esta fórmu<strong>la</strong> (2-5) aparecerá <strong>de</strong> nuevo,en formas ligeramente diferentes, en todas <strong>la</strong>s etapas <strong>de</strong> <strong>la</strong> teoría.Observamos, por el momento, que, en el caso estacionario <strong>de</strong> or<strong>de</strong>n 2,todas <strong>la</strong>s combinaciones lineales finitas tienen una varianza finita, yque su utilización es siempre legítima.No ocurre lo mismo cuando existe so<strong>la</strong>mente el variograma, y no haycovarianza. En efecto, en este caso, so<strong>la</strong>mente <strong>la</strong>s combinaciones linealesque verifican <strong>la</strong> condición:∑(2-6) 0iλ =itienen una varianza finita. Luego, en el caso <strong>de</strong> una F.A.I. sincovarianza, solo se autoriza el uso <strong>de</strong> combinaciones lineales en <strong>la</strong>scuales <strong>la</strong> suma <strong>de</strong> los coeficientes es igual a 0. Esta observación juegaun papel fundamental en toda <strong>la</strong> teoría intrínseca. Probemos que <strong>la</strong>re<strong>la</strong>ción (2-6) es suficiente. Si esta re<strong>la</strong>ción es válida, se pue<strong>de</strong>escribir:∑ ∑iλY( x ) = λ[ Y( x ) −Y(0)]i i i iiPor otra parte <strong>la</strong> F.A. (no estacionaria) <strong>de</strong>finida por:Z( x) = Y( x) − Y(0)admite una función <strong>de</strong> covarianza C(x,y)=E(Z(x)Z(y)), porque Z(x),incremento <strong>de</strong> <strong>la</strong> F.A.I. Y(x) admite una varianza finita. Calculemos estafunción <strong>de</strong> covarianza (no estacionaria) C(x,y) cuya expresión nos será <strong>de</strong>utilidad más tar<strong>de</strong>. Lo más simple para esto, es partir <strong>de</strong> <strong>la</strong> <strong>de</strong>finición<strong>de</strong>l variograma:2 γ( x − y) = E Y −Y − Y + Y = 2 γ( x) + 2 γ( y) − 2 C( x, y)(2-7) [ ] 2<strong>de</strong> don<strong>de</strong>:x0 x 0Cxy ( , ) = γ ( x) + γ( y) −γ( x−y)∑i∑ admiteiiiCuando (2-6) se verifica, <strong>la</strong> combinación lineal λiYx = λi( Yx−Y0)<strong>la</strong> varianza finita:54
2D Y λλi jC xi xji,j( ) = ∑ ( , )Es <strong>de</strong>cir, según (2-7):Al consi<strong>de</strong>rar (2-6):∑ ∑ ∑ ∑ ∑2D Y = λi λjγ xj + λj λγixi − λλi jγxi −xji j j i i,j( ) ( ) ( ) ( )(2-8)∑2D Y =− λλγi jxi −xji,j( ) ( )Se obtiene un resultado que será muy útil en lo que sigue: cuando <strong>la</strong> suma<strong>de</strong> los coeficientes <strong>de</strong> una combinación lineal es 0, se pue<strong>de</strong> calcu<strong>la</strong>r suvarianza según <strong>la</strong> fórmu<strong>la</strong> (2-5) como si existiera una covarianza K(h),con <strong>la</strong> condición <strong>de</strong> reemp<strong>la</strong>zar esta covarianza por –γ. Se trata <strong>de</strong> unmecanismo <strong>de</strong> cálculo muy general, que aporta, a menudo, gran<strong>de</strong>ssimplificaciones.Inversamente, si no hay varianza a priori finita, una combinación lineal<strong>de</strong> varianza finita es necesariamente una combinación lineal <strong>de</strong>incrementos <strong>de</strong> <strong>la</strong> F.A. Y(x), <strong>de</strong>bido a que, por hipótesis, estosincrementos tienen varianza finita. Por consiguiente esta combinaciónlineal verifica <strong>la</strong> condición (2-6) <strong>la</strong> cual es bien necesaria ysuficiente, como lo habíamos anunciado.Ahora po<strong>de</strong>mos introducir, <strong>de</strong> manera natural, <strong>la</strong> condición siguiente según<strong>la</strong> cual –γ <strong>de</strong>be ser <strong>de</strong> tipo positivo condicional. Diremos que una funcióng(h) es <strong>de</strong> tipo positivo condicional si para todo entero N, todo sistema<strong>de</strong> puntos x 1 , x 2 , ..., x N <strong>de</strong>l espacio R n y todo sistema λ 1 , λ 2 , ...,λ N queverifican <strong>la</strong> condición Σλ i =0, se tiene:∑i,jλλ gx ( − x) ≥ 0i j i jComo <strong>la</strong>s combinaciones lineales autorizadas tienen una varianza positivao nu<strong>la</strong>, <strong>la</strong> re<strong>la</strong>ción (2-8) significa bien que –γ es <strong>de</strong> tipo positivocondicional. Inversamente, si –γ es <strong>de</strong> tipo positivo condicional, sepue<strong>de</strong> mostrar que es efectivamente posible construir una F.A.I. <strong>la</strong> cua<strong>la</strong>dmite γ como variograma. Se trata entonces <strong>de</strong> una condición necesaria ysuficiente.2-2-2 Continuidad en media cuadrática y otras propieda<strong>de</strong>s.Daremos algunas indicaciones complementarias acerca <strong>de</strong> <strong>la</strong>s propieda<strong>de</strong>s <strong>de</strong>una covarianza o <strong>de</strong> un variograma. Análogamente a los métodostransitivos, el interés se va a concentrar en el comportamiento en unavecindad <strong>de</strong>l origen.a/ Se pue<strong>de</strong> observar que el variograma proporciona un contenido preciso a<strong>la</strong> noción tradicional <strong>de</strong> zona <strong>de</strong> influencia <strong>de</strong> una muestra: sucrecimiento más o menos rápido refleja, en efecto, <strong>la</strong> manera más o menos55
ápida <strong>de</strong> cómo se <strong>de</strong>teriora <strong>la</strong> influencia <strong>de</strong> una muestra sobre zonas másy más lejanas <strong>de</strong>l yacimiento.b/ Las anisotropías se manifiestan por un comportamiento diferente <strong>de</strong>lvariograma en <strong>la</strong>s diferentes direcciones <strong>de</strong>l espacio. En ausencia <strong>de</strong>anisotropía, γ(h)=γ(r) solo <strong>de</strong>pen<strong>de</strong> <strong>de</strong>l módulo r <strong>de</strong>l vector h, y no <strong>de</strong> <strong>la</strong>dirección <strong>de</strong> este vector. Se dice que existe anisotropía geométricacuando una transformación lineal simple <strong>de</strong> <strong>la</strong>s coor<strong>de</strong>nadas restablece <strong>la</strong>isotropía.Existen tipos más complejos <strong>de</strong> anisotropías. Por ejemplo en el espacio <strong>de</strong>tres dimensiones pue<strong>de</strong> suce<strong>de</strong>r que Y(x) solo <strong>de</strong>penda <strong>de</strong> <strong>la</strong> terceracoor<strong>de</strong>nada y permanezca constante en los p<strong>la</strong>nos paralelos a los dosprimeros ejes <strong>de</strong> coor<strong>de</strong>nadas. El variograma γ(h)=γ(h 3 ) <strong>de</strong>pen<strong>de</strong> so<strong>la</strong>mented <strong>la</strong> tercera componente <strong>de</strong> h. El caso más corriente será aquél en queY(x) no será realmente constante en los p<strong>la</strong>nos horizontales, pero enellos variará menos rápido o más regu<strong>la</strong>rmente que en <strong>la</strong> direcciónvertical. Se tomará entonces un variograma <strong>de</strong> <strong>la</strong> forma siguiente(anisotropía zonal):γ ( h) = γ ( h, h, h ) + γ ( h )0 1 1 3 1 3c/ Alcance. En el caso estacionario <strong>de</strong> or<strong>de</strong>n 2, el alcance a(α) en unadirección α es el valor <strong>de</strong> <strong>la</strong> distancia a partir <strong>de</strong> <strong>la</strong> cual, en estadirección, Y(x) e Y(x+h) no tienen corre<strong>la</strong>ción (o su corre<strong>la</strong>ción es<strong>de</strong>spreciable): K(h)=0 (o ≈0) para |h|≥ a(α).Según c/, K(h)=0 equivale a γ(h)=K(0)=γ(∞): el alcance es también <strong>la</strong>distancia a partir <strong>de</strong> <strong>la</strong> cual el variograma llega a su valor límite γ(∞)o meseta. Así, una F.A: intrínseca cuyo variograma no está acotado, nopue<strong>de</strong> tener un alcance finito.d/ Comportamiento en una vecindad <strong>de</strong>l origen. La continuidad y <strong>la</strong>regu<strong>la</strong>ridad en el espacio <strong>de</strong> <strong>la</strong> F.A. Y(x) se manifiestan en elcomportamiento <strong>de</strong> γ(h) en una vecindad <strong>de</strong>l origen. Por or<strong>de</strong>n <strong>de</strong>regu<strong>la</strong>ridad <strong>de</strong>creciente, se pue<strong>de</strong>n distinguir cuatro tipos:56
Comportamiento parabólico: γ(h) es dos veces <strong>de</strong>rivable en h=0. Y(x) esentonces <strong>de</strong>rivable (en media cuadrática), luego presenta un alto grado <strong>de</strong>regu<strong>la</strong>ridad en el espacio.Comportamiento lineal (tangente oblicua en el origen): γ(h) es continuoen h=0, pero no es <strong>de</strong>rivable en este punto, Y(x) es continua en mediacuadrática, pero no es <strong>de</strong>rivable, luego es menos regu<strong>la</strong>r.Efecto <strong>de</strong> pepita: γ(h) no tien<strong>de</strong> a 0 cuando h tien<strong>de</strong> a 0 (discontinuida<strong>de</strong>n el origen). Y(x) no es continua en media cuadrática, luego esextraordinariamente irregu<strong>la</strong>r.57
Caso límite completamente aleatorio: Y(x) e Y(x’) son in<strong>de</strong>pendientes parados puntos cualesquiera distintos, por cercanos que sean (ruido b<strong>la</strong>nco <strong>de</strong>los físicos o efecto <strong>de</strong> pepita al estado puro)Parte irregu<strong>la</strong>r. En el caso isótropo (γ(h)=γ(r)) y en ausencia <strong>de</strong> efecto<strong>de</strong> pepita, se caracteriza el comportamiento <strong>de</strong> γ(h) por un <strong>de</strong>sarrollolimitado <strong>de</strong> <strong>la</strong> forma:∑ ∑ ∑γ ( r) = a r + c r + c r log( r)2nλ2n2nλ2nExactamente como en el caso <strong>de</strong> los covariogramas transitivos, sedistinguirá un parte regu<strong>la</strong>r (términos <strong>de</strong> grado entero par), y una parteirregu<strong>la</strong>r (términos en r λ , con λ diferente <strong>de</strong> un entero par y tambiéntérminos logarítmicos <strong>de</strong>l tipo r 2n log(r)). Si no hay parte irregu<strong>la</strong>r, <strong>la</strong>F.A. sería in<strong>de</strong>finidamente <strong>de</strong>rivable, luego perfectamente regu<strong>la</strong>r. Porconsiguiente so<strong>la</strong>mente <strong>la</strong> parte irregu<strong>la</strong>r representa el grado <strong>de</strong>irregu<strong>la</strong>ridad <strong>de</strong> <strong>la</strong> F.A., y, en esta parte irregu<strong>la</strong>r, el término <strong>de</strong> másbajo grado es el que juega el papel principal: se pue<strong>de</strong> <strong>de</strong>finir el grado<strong>de</strong> regu<strong>la</strong>ridad <strong>de</strong> <strong>la</strong> F.A. como el grado λ <strong>de</strong>l término irregu<strong>la</strong>rprincipal. Daremos a continuación algunas indicaciones matemáticascomplementarias (sin entrar en <strong>de</strong>talles, porque se trata <strong>de</strong> resultadosclásicos).e/ Continuidad y <strong>de</strong>rivación en media cuadrática. Se dice que <strong>la</strong> F.A. Y(x)es continua en media cuadrática (continua m.c.) si se tiene:2( )E [ Y( x+ h) −Y( x)] →0 para | h| → 0Esto ocurre (por <strong>de</strong>finición) si y solo si γ(h) es continuo en h=0, es<strong>de</strong>cir en ausencia <strong>de</strong> efecto <strong>de</strong> pepita.En el espacio <strong>de</strong> una dimensión, se dice que <strong>la</strong> F.A. Y’(x) es <strong>la</strong> <strong>de</strong>rivadaen media cuadrática <strong>de</strong> Y(x) (<strong>de</strong>rivada m.c.) <strong>de</strong> <strong>la</strong> F.A. Y(x) si:2⎛⎡Y( x+ h) −Y( x)⎤ ⎞E −Y'( x) →0 para | h| →0⎜⎢⎣ h⎥⎦ ⎟⎝⎠Se tienen <strong>de</strong>finiciones análogas para el espacio <strong>de</strong> n≠1 dimensiones.Se <strong>de</strong>muestra que una F.A. intrínseca Y(x) admite una <strong>de</strong>rivada m.c. Y’(x)si y solo si γ(h) es <strong>de</strong>rivable dos veces en h=0. La <strong>de</strong>rivada segundaγ”(h) existe entonces para todo h, Y’(x) es estacionaria <strong>de</strong> or<strong>de</strong>n 2 (aún58
en el caso en que Y(x) es so<strong>la</strong>mente intrínseca) y admite como covarianza<strong>la</strong> función γ”(h). Análogamente, Y(x) es <strong>de</strong>rivable m.c. n veces si y solosi <strong>la</strong> <strong>de</strong>rivada γ (2n) (h) existe en h=0 (existe entonces para todo h).Si λ es el grado <strong>de</strong>l término irregu<strong>la</strong>r principal <strong>de</strong> γ(h), Y(x) admiteentonces una <strong>de</strong>rivada m.c. <strong>de</strong> or<strong>de</strong>n n si y solo si λ>2n (si el términoprincipal es r 2n log(r), Y(x) es n-1 veces <strong>de</strong>rivable m.c., pero no es<strong>de</strong>rivable n veces).2-3 REGULARIZACION DE UNA F.A. INTRINSECA.Para simplificar <strong>la</strong> exposición, haremos los razonamientos en el caso <strong>de</strong>una F.A. estacionaria <strong>de</strong> or<strong>de</strong>n 2 con covarianza K(h), sin embargo todoslos resultados que expresaremos con <strong>la</strong> ayuda <strong>de</strong> <strong>la</strong> función intrínsecaγ(h)=K(0)-K(h) seguirán siendo válidos para el caso <strong>de</strong> una F.A.intrínseca (luego, serán válidos aún en el caso en que γ(h) no estáacotado, y si, por consiguiente, <strong>la</strong> covarianza K(h) no existe): estoresultará <strong>de</strong> manera muy simple al aplicar el mecanismo <strong>de</strong> cálculo quevimos en el párrafo 2-2-1. Aquí también, no entraremos en <strong>de</strong>talles,porque se trata <strong>de</strong> un recordatorio simple <strong>de</strong> resultados clásicos.2-3-1 Integral estocásticaI= ∫ Y( x) p( x)dxvSe <strong>de</strong>fine <strong>la</strong> integral I como el límite en media cuadrática (si existe) <strong>de</strong><strong>la</strong>s sumas discretas:n∑I = Y( x ) p( x ) ∆xn i i ii=1(los ∆x i son pequeños elementos <strong>de</strong> volumen disjuntos cuya unión es elconjunto v, y x i es un punto <strong>de</strong> ∆x i ). La integral estocástica I esentonces una V.A., como <strong>la</strong>s I n .Se <strong>de</strong>muestra que esta V.A. existe si y so<strong>la</strong>mente si <strong>la</strong> integral(2-9)∫ ∫D 2 ( I) = p( x) dx K( x−y) p( y)dyvves finita, y D 2 (I) es entonces <strong>la</strong> varianza (finita) <strong>de</strong> esta V.A. Seencuentra fácilmente este resultado (2-9) mediante el cálculo (noriguroso) siguiente:I2= ∫ ∫vY ( x) p( x) dx Y ( y) p( y)dyv59
EI = pxdx EYxY y pydy=2( ) ( ) [ ( ) ( )] ( )vv∫= pxdx ( ) Kx ( − ypydy ) ( )v∫∫v∫(el cálculo no es riguroso porque, al comienzo, no es evi<strong>de</strong>nte que sepue<strong>de</strong>n invertir los símbolos E y ∫: en efecto, se <strong>de</strong>muestra que estainversión es legítima).2-3-2 Convolución estocástica.El producto <strong>de</strong> convolución Y*f <strong>de</strong> <strong>la</strong> F.A. Y(x) por una función ordinariaf(x) es <strong>la</strong> integral estocástica (si existe):∫Y( x−x') f( x´) dx'Se pue<strong>de</strong> <strong>de</strong>finir así <strong>la</strong> regu<strong>la</strong>rizada Yp= Y∗ p <strong>de</strong> <strong>la</strong> F.A. Y(x) por unafunción <strong>de</strong> pon<strong>de</strong>ración p(x). Es <strong>la</strong> “media móvil pon<strong>de</strong>rada”:∫Y ( ) ( ') ( px = Y x+x p x´)dxCuidado: <strong>la</strong> regu<strong>la</strong>rizada <strong>de</strong> Y(x) es también una función aleatoria (másregu<strong>la</strong>r que Y(x) pero siempre aleatoria): no basta con alisar oregu<strong>la</strong>rizar, por un procedimiento <strong>de</strong> medias móviles, una F.A. para hacer<strong>de</strong>saparecer como por arte <strong>de</strong> magia el carácter aleatorio <strong>de</strong> esta función.La varianza <strong>de</strong> <strong>la</strong> regu<strong>la</strong>rizada Y p está dada por <strong>la</strong> fórmu<strong>la</strong> (2-9)anterior, e Y p (x) existe en el sentido <strong>de</strong> <strong>la</strong> integración m.c. si y solosi D 2 (Y p )
∫ ∫K ( ) ( ) ( )ph = K x+ z dx p y+z dySea P el covariograma transitivo ( P = p∗ p ) <strong>de</strong> <strong>la</strong> función <strong>de</strong> pon<strong>de</strong>raciónp. Se tiene, por <strong>de</strong>finición:y, por consiguiente:∫Pz ( ) = py ( + zpydy ) ( )∫K ( ) ( ) ( )ph = K h+z P z dzes <strong>de</strong>cir, utilizando productos <strong>de</strong> convolución (porque P(2-11) Kp= K∗P= P ):Se obtiene <strong>la</strong> covarianza K p <strong>de</strong> <strong>la</strong> regu<strong>la</strong>rizada Y p al regu<strong>la</strong>rizar <strong>la</strong>covarianza K(h) <strong>de</strong> Y con el covariograma transitivo <strong>de</strong> <strong>la</strong> función <strong>de</strong>pon<strong>de</strong>ración. Se comparará este resultado con el obtenido en el caso <strong>de</strong>los métodos transitivos.El variograma γ p <strong>de</strong> <strong>la</strong> regu<strong>la</strong>rizada Y p es K p (0)-K p (h). Al reemp<strong>la</strong>zar K(h)por K(0)-γ(h) en (2-9) y (2-10), observamos que K(0) se elimina, y queda:(2-12) γ ( h) = γ ( h + z) P( z) dz − γ ( z) P( z)dzp∫ ∫Se pue<strong>de</strong> también escribir:γp= γ ∗P−ALa constante A se <strong>de</strong>termina con <strong>la</strong> condición γ p (0)=0. Estas re<strong>la</strong>cionessiguen siendo válidas para cualquier F.A. intrínseca (aún en el caso enque <strong>la</strong> covarianza no existe) (ver observación anterior).2-3-3 La subida recta a potencia constante.La subida constituye un caso particu<strong>la</strong>r <strong>de</strong> <strong>la</strong> regu<strong>la</strong>rización. En losmétodos transitivos podíamos integrar <strong>la</strong> V.R. <strong>de</strong> -∞ a +∞ con respecto auna <strong>de</strong> <strong>la</strong>s coor<strong>de</strong>nadas, por ejemplo x 3 , <strong>de</strong>bido a que esta V.R. era nu<strong>la</strong>al exterior <strong>de</strong> un campo acotado. Ahora, solo po<strong>de</strong>mos integrar en un <strong>la</strong>rgofinito . L<strong>la</strong>maremos entonces subida bajo potencia constante a <strong>la</strong>operación que nos hace pasar <strong>de</strong> <strong>la</strong> F.A. Y 3 (x 1 ,x 2 ,x 3 ) <strong>de</strong>finida en el espacio<strong>de</strong> tres dimensiones a <strong>la</strong> F.A. Y 2 (x 1 ,x 2 ) <strong>de</strong>finida en el espacio <strong>de</strong> dosdimensiones por:1Y ( x , x ) = ∫Y( x , x , x ) dxdx dx2 1 2 1 2 3 1 2 30Si Y 3 (x) es <strong>la</strong> ley puntual en una formación estratiforme <strong>de</strong> potencia ,Y 2 (x 1 ,x 2 ) es <strong>la</strong> ley media <strong>de</strong>l sondaje imp<strong>la</strong>ntado en el punto (x 1 ,x 2 ) <strong>de</strong> <strong>la</strong>superficie topográfica.61
No es difícil establecer <strong>la</strong> formu<strong>la</strong> para el variograma γ 2 (h 1 ,h 2 ) <strong>de</strong> <strong>la</strong>F.A. Y 2 (x 1 ,x 2 ) – que es intrínseca como Y 3 – en función <strong>de</strong>l variograma γ 3 <strong>de</strong>Y 3 (el lector lo podrá hacer como ejercicio). En el caso particu<strong>la</strong>r enque γ 3 = γ 3 (r) es isótropo, se obtiene el algoritmo siguiente (<strong>de</strong> <strong>la</strong>subida recta bajo potencia constante en el caso isótropo):2 2 2 2n− 1=2∫− n+ − −2∫n0 0γ ( r) ( x) γ ( r x ) dx ( x) γ ( x)dxComo en el caso <strong>de</strong> los métodos transitivos, existe también una reg<strong>la</strong> <strong>de</strong>correspon<strong>de</strong>ncia término a término entre <strong>la</strong>s partes irregu<strong>la</strong>res <strong>de</strong> γ n (r) yγ n-1 (r). Estas reg<strong>la</strong>s, un poco menos simples que en el caso transitivo, seescriben:(2-13)1+ λ 2+λ⎧ λ r ' r⎪r → Aλ+ Aλ2⎪ 2n+ 1 2n+2⎪ 2 nr' r⎨r log( r) → A2n+ A2nlog( r)2⎪ 2n+ 2 n+3⎪2n+1 r' r⎪r → A2n+ 1log( r)+ A2n+2 2⎩En que los coeficientes A λ , A 2n , A 2n+1 son los mismos que los que aparecenen los métodos transitivos (fórmu<strong>la</strong>s (1-10) a (1-13)), tenemos aquí unaprimera manifestación <strong>de</strong> <strong>la</strong> similitud profunda <strong>de</strong> los dos aspectos(transitivos y probabilísticos) <strong>de</strong> <strong>la</strong> teoría <strong>de</strong> <strong>la</strong>s V.R. Observamos,a<strong>de</strong>más que <strong>la</strong>s reg<strong>la</strong>s (2-13) son menos simples que <strong>la</strong>s reg<strong>la</strong>s (1-10). Enlugar <strong>de</strong> r 1+λ 1, encontramos r + λ / , el coeficiente 1/ se introduce porrazones dimensionales evi<strong>de</strong>ntes (en teoría intrínseca, se razona sobre<strong>la</strong>s leyes medias y no sobre <strong>la</strong>s acumu<strong>la</strong>ciones como en <strong>la</strong> teoría1+transitiva). Pero al <strong>la</strong>do <strong>de</strong>l término principal Ar λλ/ - que es elequivalente exacto <strong>de</strong>l término transitivo – vemos aparecer un término2+λ 2complementario A' λr / , con un coeficiente A’ λ cuya expresión explícitano es útil dar<strong>la</strong> aquí (ver [4]). Este término suplementario proviene <strong>de</strong>lcarácter finito (subida bajo potencia finita ) <strong>de</strong>l campo <strong>de</strong> integración,2 2o, si se prefiere, <strong>de</strong> <strong>la</strong> presencia <strong>de</strong>l término en xγ ( r + x ) bajo el signo<strong>de</strong> integración en el algoritmo <strong>de</strong> <strong>la</strong> subida recta. De todas maneras, estetérmino suplementario es en r 2+λ , luego <strong>de</strong> or<strong>de</strong>n más elevado que eltérmino principal, y <strong>la</strong> parte principal <strong>de</strong> γ n-1 (r) en una vecindad <strong>de</strong> r=0es entonces idéntica a <strong>la</strong> que proporciona <strong>la</strong> reg<strong>la</strong> transitiva.Observamos también que el dominio <strong>de</strong> vali<strong>de</strong>z <strong>de</strong>l <strong>de</strong>sarrollo <strong>de</strong> γ n-1 (r)obtenido por <strong>la</strong> reg<strong>la</strong> (2-13) es necesariamente <strong>de</strong>ntro <strong>de</strong> <strong>la</strong> bo<strong>la</strong> <strong>de</strong> radio . En <strong>la</strong>s gran<strong>de</strong>s distancias, se <strong>de</strong>duce fácilmente <strong>de</strong>l algoritmo <strong>de</strong> <strong>la</strong>subida recta que:2n−1 ≈n−2 ∫ −n0γ ( r) γ ( r) ( l x) γ ( x) dx ( r )62
<strong>de</strong> manera que salvo una constante, el variograma subido es igual alvariograma inicial.2-4 VARIANZAS DE EXTENSION Y DE ESTIMACION2-4-1 Varianza <strong>de</strong> extensión.Definamos, en primer lugar, <strong>la</strong> noción fundamental <strong>de</strong> varianza <strong>de</strong>extensión. Sea Y(x) una F.A., <strong>la</strong> cual supondremos, por el momento, comoestacionaria <strong>de</strong> or<strong>de</strong>n 2, y sea K(h) su covarianza. Designemos por Z(v) yZ(v’) <strong>la</strong>s “leyes medias” <strong>de</strong> dos dominios v y v’ <strong>de</strong>l espacio <strong>de</strong> ndimensiones, es <strong>de</strong>cir <strong>la</strong>s integrales estocásticas:1 1Z( v) = Y( x) dx ; Z( v') Y( x)dxv∫ =v'∫vLa fórmu<strong>la</strong> (2-9) muestra que, si v y v’ son acotadas, Z(v) y Z(v’) tienenvarianzas finitas. La primera, por ejemplo, tiene <strong>la</strong> expresión:v'1() v dx K( x y)dy∫ ∫2σ = −2vv vCalculemos también <strong>la</strong> covarianza σ(v, v’) <strong>de</strong> Z(v) y Z(v’). De:1Z() vZv (') = Y() xdx Y( ydy )vv∫ ∫se <strong>de</strong>duce, al pasar a <strong>la</strong>s esperanzas matemáticas:' vσ 1 1( v, v ') = dx E[ Y ( x) Y ( y)] dy dx K( x y)dyvv '∫ ∫ = vv '∫ ∫ −v 'v v'v v'L<strong>la</strong>maremos varianza <strong>de</strong> extensión <strong>de</strong> v a v’ (o <strong>de</strong> v’ a v) a <strong>la</strong> varianza<strong>de</strong>l error Z(v’)-Z(v) cometido al atribuir a v’ <strong>la</strong> ley media Z(v) <strong>de</strong> v.Esta varianza <strong>de</strong> extensión σ 2 E es igual a:E= () v + (') v − 2 (, v v')2 2 2σ σ σ σAl consi<strong>de</strong>rar los valores calcu<strong>la</strong>dos antes, se tiene entonces:2 1 1 2σE= dx K( x y) dy dx K( x y) dy dx K( x y)dyv∫ ∫ − + − − −v'∫ ∫vv'∫ ∫2 2v v v' v' v v'Reemp<strong>la</strong>cemos K(h) por K(0)-γ(h): observamos que <strong>la</strong> constante K(0)<strong>de</strong>saparece <strong>de</strong> <strong>la</strong> expresión <strong>de</strong> σ 2 E, y queda <strong>la</strong> fórmu<strong>la</strong> fundamental:63
(2-14)2 2 1 1σE= dx ( x y) dy dx ( x y) dy dx ( x y)dyvv '∫ ∫γ − − γ − − γ −v∫ ∫v '∫ ∫2 2v v v v v'v'Se pue<strong>de</strong> <strong>de</strong>mostrar que (2-14) sigue válida para toda F.A. intrínseca,luego también en el caso en que K(h) no existe (esto resulta <strong>de</strong>lmecanismo <strong>de</strong> cálculo <strong>de</strong>l párrafo 2-2-1).2-4-2 Varianza <strong>de</strong> estimación.Supongamos ahora que en vez <strong>de</strong> conocer <strong>la</strong> “ley media” Z(v’) <strong>de</strong> Y(x) en unvolumen v’, conocemos <strong>la</strong> ley media:N1Z ' = ∑ Y( xi)N i = 1<strong>de</strong> N muestras tomadas en los puntos x i . Z’ es una variable aleatoria,cuyas características se <strong>de</strong>ducen sin dificultad a partir <strong>de</strong> K(h) o <strong>de</strong>γ(h). L<strong>la</strong>maremos varianza <strong>de</strong> estimación σ 2 N (<strong>de</strong> v por <strong>la</strong>s N muestrastomadas en los N puntos x i ) a <strong>la</strong> varianza <strong>de</strong> <strong>la</strong> diferencia Z(v)-Z(v’).Para obtener <strong>la</strong> expresión <strong>de</strong> σ 2 N, se <strong>de</strong>be, en cada una <strong>de</strong> <strong>la</strong>s etapas <strong>de</strong>lrazonamiento que nos condujo a (2-14), reemp<strong>la</strong>zar <strong>la</strong>s integrales sobre elconjunto v’ por sumas discretas sobre los N puntos x i . Se encuentra así<strong>la</strong> segunda fórmu<strong>la</strong> fundamental:(2-15)2 1 1σ = γ( x −xdx ) − dx γ( x− ydy ) − γ( x−x)∑∫ ∫ ∫∑∑2N i 2 2i jNv i v Nv v vi jEsta fórmu<strong>la</strong>, en <strong>la</strong> cual se alternan expresiones exactas y aproximadas <strong>de</strong><strong>la</strong>s mismas integrales, presenta una estructura sobresaliente; análoga, unpoco más compleja, a <strong>la</strong> fórmu<strong>la</strong> (1-14) <strong>de</strong> los métodos transitivos. Enparticu<strong>la</strong>r, se observa que <strong>la</strong> varianza <strong>de</strong> estimación es más débil:• cuando <strong>la</strong> red <strong>de</strong> muestras x i es más <strong>de</strong>nsa y más representativa <strong>de</strong><strong>la</strong> geometría <strong>de</strong>l volumen v a estimar• cuando <strong>la</strong> función γ(h) es más regu<strong>la</strong>r, luego cuando <strong>la</strong> F.A. es máscontinua en su variación espacial.Sin embargo, en <strong>la</strong> práctica, si N es gran<strong>de</strong>, <strong>la</strong> fórmu<strong>la</strong> (2-15) conduce acálculos bastante <strong>la</strong>rgos. Más a<strong>de</strong><strong>la</strong>nte proporcionaremos fórmu<strong>la</strong>s <strong>de</strong>aproximación más simples, <strong>la</strong>s cuales permitirán una comparaciónmetodológica muy instructiva con <strong>la</strong>s fórmu<strong>la</strong>s análogas <strong>de</strong> los métodostransitivos.Observación: No hay ninguna diferencia conceptual entre <strong>la</strong>s nociones <strong>de</strong>varianza <strong>de</strong> extensión y <strong>de</strong> estimación: <strong>la</strong> fórmu<strong>la</strong> (2-15) es un casoparticu<strong>la</strong>r <strong>de</strong> (2-14), en que v’ se reemp<strong>la</strong>za por <strong>la</strong> unión <strong>de</strong> los N puntosx i . La práctica ha reservado el término varianza <strong>de</strong> extensión a <strong>la</strong>extensión <strong>de</strong> una muestra única en su “área <strong>de</strong> influencia”, y el <strong>de</strong>varianza <strong>de</strong> estimación a <strong>la</strong> extensión <strong>de</strong> un número más gran<strong>de</strong> <strong>de</strong>muestras, en el <strong>de</strong>pósito entero, o en un gran panel.64
2-4-3 Varianza <strong>de</strong> v en V.La noción <strong>de</strong> varianza σ 2 (v|V) <strong>de</strong> una muestra v en un dominio V parece, aprimera vista, evi<strong>de</strong>nte <strong>de</strong>s<strong>de</strong> el punto <strong>de</strong> vista experimental. Sinembargo, esta noción, so<strong>la</strong>mente tiene sentido en el caso en que V es <strong>la</strong>unión V =∪ vi<strong>de</strong> volúmenes v i disjuntos, todos iguales entre sí, e igualesa un conjunto v y tras<strong>la</strong>dados unos <strong>de</strong> otros. Cuando se han tomado nmuestras v i en un campo V’ cualquiera, suponiendo que se conocen <strong>sus</strong>leyes Y i , el cálculo numérico siguiente:1Y = ∑Yin i1s = ( Y −Y)∑2 2in iconstituye una estimación <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> v en V = ∪ vi(unión <strong>de</strong> nvolúmenes v i que constituyen <strong>la</strong>s muestras reales). Este caminoexperimental va a inspirar <strong>la</strong>s <strong>de</strong>finiciones que siguen.a/ Examinemos primero el caso en que <strong>la</strong>s muestras v i son puntos (en estecaso <strong>la</strong> re<strong>la</strong>ción V =∪ vise verifica evi<strong>de</strong>ntemente, porque V es <strong>la</strong> unión<strong>de</strong> puntos), y <strong>de</strong>finamos <strong>la</strong> varianza σ 2 (0|V) <strong>de</strong> <strong>la</strong>s muestras puntuales enV. Designemos por:1Z( V) = Y( x)dxV∫<strong>la</strong> ley media <strong>de</strong> V. Cuando se fija <strong>la</strong> realización Y(x), Z(V) es unaintegral ordinaria, y <strong>la</strong> varianza experimental <strong>de</strong> <strong>la</strong>s muestras puntualeses:V(2-16)1(0 | ) = [ ( ) − ( )]V∫2 2s V Y x Z V dxVTambién se pue<strong>de</strong> interpretar esta re<strong>la</strong>ción (2-16) diciendo que σ 2 (0|V) es<strong>la</strong> varianza condicional (a realización fija) <strong>de</strong> <strong>la</strong> V.A. Y(x) obtenida alimp<strong>la</strong>ntar al azar, con una <strong>de</strong>nsidad <strong>de</strong> probabilidad uniforme, un punto xen V. L<strong>la</strong>maremos varianza σ 2 (v|V) <strong>de</strong> v en V a <strong>la</strong> varianza obtenida al<strong>de</strong>s-condicionar <strong>la</strong> variable aleatoria Y(x) respecto <strong>de</strong> <strong>la</strong>s realizaciones,es <strong>de</strong>cir <strong>la</strong> varianza <strong>de</strong> <strong>la</strong> V.A. Y=Y(x), en que Y(x) es esta vez <strong>la</strong> F.A.(y no su realización) y x un punto aleatorio en V. Si <strong>la</strong> realización esfija, <strong>la</strong> esperanza condicional <strong>de</strong> Y(x) es evi<strong>de</strong>ntemente Z(V). Se obtieneentonces:(2-17)2 2 12σ (0 | V) = E( s (0 | V)) = E[ Y( x) −Z( V)]dxV∫VQue es el valor medio <strong>de</strong> γ(x-y) cuando x e y <strong>de</strong>scriben separadamente V.65
Cuando V es <strong>la</strong> unión <strong>de</strong> N volúmenes v i disjuntos, <strong>de</strong> leyes Z i , <strong>la</strong>varianza experimental:1s v V Z Z V dxN2 2( | ) = ∑ [i− ( )]N i = 1es <strong>la</strong> varianza <strong>de</strong> <strong>la</strong> pob<strong>la</strong>ción finita constituida por N leyes Z i (los Z ison números, si <strong>la</strong> realización es fija), o, si se quiere, es <strong>la</strong> varianza<strong>de</strong> <strong>la</strong> V.A. Z i obtenida al sortear al azar uno <strong>de</strong> los índices i. Al <strong>de</strong>scondicionarcon respecto a <strong>la</strong>s realizaciones, se obtiene una V.A. Z i en<strong>la</strong> cual el índice i se sortea como antes, y don<strong>de</strong> Z i es ahora unaintegral estocástica (y no numérica). La varianza <strong>de</strong> esta variable <strong>de</strong>scondicionadaes (por <strong>de</strong>finición) <strong>la</strong> varianza σ 2 (v|V) <strong>de</strong> v en V. Seconfirma, como antes, que esta varianza es igual al valor medio en i1σ ( vV | ) E([ Z ZV ( )] ) dxN2 2= ∑ i−N i=1<strong>de</strong> <strong>la</strong> varianza <strong>de</strong> extensión <strong>de</strong> v i en V. Un cálculo fácil a partir <strong>de</strong> <strong>la</strong>fórmu<strong>la</strong> (2-14) muestra que se tiene esta vez:(2-18)1 1( v | V ) = dx ( x − y) dy − dx ( x − y)dy∫ ∫ ∫ ∫σ 22 2Vγ vγV V v vEn particu<strong>la</strong>r, se tiene:(2-19)2 2 2σ ( vV | ) = σ (0| V) − σ (0| v)c/ En el caso general en que v y V son volúmenes cualesquiera, nonecesariamente compatibles, se <strong>de</strong>fine <strong>la</strong> varianza por <strong>la</strong> misma fórmu<strong>la</strong>(2-18): esta cantidad representa so<strong>la</strong>mente un artificio <strong>de</strong> cálculo. Enesta caso <strong>la</strong> varianza pue<strong>de</strong> tomar valores negativos; en particu<strong>la</strong>r, setiene siempre que: σ 2 (v|V)=-σ 2 (V|v).d/ Re<strong>la</strong>ción <strong>de</strong> aditividad. Sean v, V y V’ tres volúmenes, tal que (porejemplo): v⊂V ⊂ V ' . De <strong>la</strong> re<strong>la</strong>ción (2-19) se <strong>de</strong>duce:y por diferencia:es <strong>de</strong>cir:2 2 2σ ( vV | ) = σ (0| V) −σ(0| v)2 2 2σ ( vV | ') = σ (0| V') −σ(0| v)2 2 2 2 2σ ( vV | ') − σ ( vV | ) = σ (0 | V') − σ (0 | V') = σ ( V| V')(2-20)2 2 2σ ( vV | ') = σ ( vV | ) + σ ( V| V')La varianza <strong>de</strong> <strong>la</strong> muestra v en el campo V’ es igual a <strong>la</strong> suma <strong>de</strong> <strong>la</strong>svarianzas <strong>de</strong> v en el panel V y <strong>de</strong>l panel V en el campo V’.66
e/ Covarianza <strong>de</strong> v y v’ en V. De manera análoga, se <strong>de</strong>fine <strong>la</strong> covarianzaσ(v,v´|V) <strong>de</strong> dos muestras v y v’ (cuya distancia y disposición mutua esfija) en el campo V. Se encuentra:σ 1 1(, v v'| V) = dx ( x y) dy dx ( x y)dyV∫ ∫ γ − −vv'∫ ∫ γ −2V V v v'f/ En particu<strong>la</strong>r, a menudo es cómodo expresar <strong>la</strong> varianza <strong>de</strong> estimación(2-15) o <strong>la</strong> varianza <strong>de</strong> extensión (2-14) en función <strong>de</strong> <strong>la</strong>s varianzas ycovarianzas <strong>de</strong> <strong>la</strong>s muestras en un campo V arbitrario. Se encuentra, porejemplo, que:E= ( vV | ) + ( v'| V) − 2 ( vv , '| V)2 2 2σ σ σ σcomo pue<strong>de</strong> verse al <strong>sus</strong>tituir <strong>la</strong>s expresiones <strong>de</strong> estas varianzas en V: eltérmino:12V∫∫VV<strong>de</strong>saparece, y los tres términos que quedan proporcionan el segundomiembro <strong>de</strong> (2-14). Se obtiene así una expresión, quizás más intuitiva, <strong>de</strong><strong>la</strong> varianza <strong>de</strong> extensión.2-4-4 Aplicación: mal<strong>la</strong>s aleatorias y aleatoria estratificada.El caso <strong>de</strong> <strong>la</strong>s mal<strong>la</strong>s regu<strong>la</strong>res, que es el más difícil, lo trataremos mása<strong>de</strong><strong>la</strong>nte, examinaremos entonces los dos tipos usuales <strong>de</strong> mal<strong>la</strong>saleatorias.a/ Mal<strong>la</strong> aleatoria pura. Para estimar <strong>la</strong> ley Z(V) <strong>de</strong> un volumen V, sedispone <strong>de</strong> los valores Y(x i ) <strong>de</strong> <strong>la</strong> F.A. en N puntos x i imp<strong>la</strong>ntados “noimporta don<strong>de</strong>” en V. Admitiremos que todo ocurre como si cada x iestuviera imp<strong>la</strong>ntado al azar en V con una <strong>de</strong>nsidad uniforme ein<strong>de</strong>pendiente <strong>de</strong> <strong>la</strong>s otras muestras. Se pue<strong>de</strong> obtener <strong>la</strong> varianza <strong>de</strong>estimación σ 2 N al integrar (2-15) en V re<strong>la</strong>tivamente a cada uno <strong>de</strong> los x i .Este cálculo es simple, pero es aún más simple observar que los erroresparciales Y(x i )-Z(V) son in<strong>de</strong>pendientes unos <strong>de</strong> otros (si <strong>la</strong> realizaciónes fija) y admiten <strong>la</strong> misma varianza s 2 (0|V): el error resultante que es:admite entonces <strong>la</strong> varianza:1N∑[ Y( x ) − Z( V)]i2 1 2σN= s (0 | V)NBasta ahora con <strong>de</strong>s-condicionar respecto <strong>de</strong> <strong>la</strong>s realizaciones para verque <strong>la</strong> varianza <strong>de</strong> estimación, en el caso <strong>de</strong> una mal<strong>la</strong> aleatoria pura, esigual a <strong>la</strong> varianza <strong>de</strong> una muestra en el campo V dividida por el número<strong>de</strong> muestras, es <strong>de</strong>cir:267
2 1 2σN= σ (0 | V )Nb/ Mal<strong>la</strong> aleatoria estratificada. En este caso, el volumen V que sequiere estimar está dividido en N zonas <strong>de</strong> influencia iguales y disjuntasv i , y en cada v i se toma una muestra en un punto x i elegido al azar en <strong>la</strong>zona <strong>de</strong> influencia v i con una <strong>de</strong>nsidad <strong>de</strong> probabilidad uniforme, ein<strong>de</strong>pendiente <strong>de</strong> <strong>la</strong>s otras muestras. Se pue<strong>de</strong> calcu<strong>la</strong>r σ 2 N al integrar (2-15) en x i <strong>de</strong>ntro <strong>de</strong> v i para cada uno <strong>de</strong> los v i , pero es más simple observarque el error total es:1N∑i[ Y( x ) − Z( v )]y que cada uno <strong>de</strong> los errores parciales Y(x i )-Z(v i ) es in<strong>de</strong>pendiente <strong>de</strong>los otros y admite <strong>la</strong> varianza σ 2 (0|V). Se <strong>de</strong>duce, razonando como antes,que, primero, con realización fija, luego <strong>de</strong>s-condicionando respecto <strong>de</strong><strong>la</strong> realización:2 1 2σN= σ (0 | v)NEn el caso <strong>de</strong> <strong>la</strong> mal<strong>la</strong> aleatoria estratificada, <strong>la</strong> varianza <strong>de</strong> estimaciónes entonces igual a <strong>la</strong> varianza <strong>de</strong> una muestra en su zona <strong>de</strong> influenciadividida por el número N <strong>de</strong> muestras.Observación – Es c<strong>la</strong>ro que <strong>la</strong> mal<strong>la</strong> aleatoria estratificada proporcionasiempre mejores resultados que <strong>la</strong> mal<strong>la</strong> aleatoria pura. En efecto, según(2-10) se tiene:1 2 2 1 2⎡σ (0 | V) σ (0 | v) σ ( v| V) 0N ⎣ − ⎤⎦ = ≥Nii2-5 METODO DE APROXIMACION EN R 1Cuando el número <strong>de</strong> muestras es gran<strong>de</strong>, <strong>la</strong> fórmu<strong>la</strong> (2-15) es un pocopesada <strong>de</strong> calcu<strong>la</strong>r numéricamente, luego es importante <strong>de</strong>sarrol<strong>la</strong>r métodos<strong>de</strong> aproximación que permitan un cálculo rápido <strong>de</strong> una varianza <strong>de</strong>estimación. Veremos reaparecer <strong>la</strong> similitud profunda con <strong>la</strong>s fórmu<strong>la</strong>sanálogas obtenidas por los métodos transitivos, similitud e importanciametodológica que ya habíamos mencionado a propósito <strong>de</strong> <strong>la</strong> subida.Pongámonos, por el momento, en el espacio <strong>de</strong> una dimensión.2-5-1 El principio <strong>de</strong> correspon<strong>de</strong>ncia.Sea un segmento <strong>de</strong> longitud L=Na constituido por <strong>la</strong> unión <strong>de</strong> N segmentos<strong>de</strong> igual longitud a. En el centro <strong>de</strong> cada segmento se ha tomado unamuestra puntual.68
Para estimar <strong>la</strong> ley:1Z( L) = Y( x)dxL∫Lse forma el estimador:1Z *( L) = ∑ Y( x i)NLa varianza <strong>de</strong> estimación correspondiente está dada por <strong>la</strong> fórmu<strong>la</strong>general (2-15). Al realizar cálculos análogos a los presentados conocasión <strong>de</strong> los métodos transitivos, se pone en evi<strong>de</strong>ncia un principio <strong>de</strong>correspon<strong>de</strong>ncia término a término entre <strong>la</strong> parte irregu<strong>la</strong>r <strong>de</strong>l variogramaγ(h) y el <strong>de</strong>sarrollo limitado <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> estimación en unavecindad <strong>de</strong> a=0. Este principio se resume por <strong>la</strong>s reg<strong>la</strong>s siguientes:i(2-21)λ⎧ λ a| h|→− Tλ+ T⎪ N⎨⎪ 2n| h| log( h)→−T⎪⎩'λ2nλa2NaN2nPara λ entero par, T λ es nulo (pero no T’ λ ) Los T λ tienen los mismosvalores que los que figuran en <strong>la</strong> reg<strong>la</strong> análoga (1-18) <strong>de</strong> los métodostransitivos.Tal como vimos en <strong>la</strong> subida, aparece un término suplementario, <strong>de</strong> or<strong>de</strong>nmás elevado (en 1/N 2 ), ligado en este caso, al carácter finito <strong>de</strong> <strong>la</strong>soperaciones que se efectúan en teoría intrínseca (promedio sobre unnúmero N finito <strong>de</strong> muestras, y no, como en transitivo, en que <strong>la</strong> suma va,teóricamente <strong>de</strong>s<strong>de</strong> -∞ a +∞). En <strong>la</strong> práctica este término es <strong>de</strong>spreciablecuando N no es muy pequeño.Las reg<strong>la</strong>s (2-21) permiten obtener una expresión aproximada <strong>de</strong> <strong>la</strong>varianza <strong>de</strong> estimación, para mal<strong>la</strong>s a muy pequeñas. Estas expresiones noson validas cuando a es mayor que <strong>la</strong> distancia r 0 a partir <strong>de</strong> <strong>la</strong> cual el<strong>de</strong>sarrollo limitado <strong>de</strong> γ(h) ya no es utilizable. Para valores <strong>de</strong> asuperiores a r 0 , estamos conducidos <strong>de</strong> introducir un segundo principio <strong>de</strong>aproximación:2-5-2 Principio <strong>de</strong> composición <strong>de</strong> varianzas <strong>de</strong> extensión elementales.a/ Las funciones intrínsecas auxiliares. A<strong>de</strong>más <strong>de</strong> γ(h), se utilizan en<strong>la</strong>s <strong>aplicaciones</strong> <strong>la</strong>s funciones siguientes:69
h1χ( h) = ( x)dxh∫γ0h h h h1 2 2F( h) = dx γ( x y) dy xχ( x) dx ( h x) γ( x)dxh∫ ∫ − = = −h∫h∫2 2 20 0 0 0F(h) es el valor medio <strong>de</strong> γ(h’) cuando <strong>la</strong>s dos extremida<strong>de</strong>s <strong>de</strong> h’<strong>de</strong>scriben el segmento (0,h). Así, <strong>la</strong> varianza <strong>de</strong>l segmento h en elsegmento L es:σ 2 ( h| L) = F( L) − F( h)χ(h) permite el cálculo <strong>de</strong> covarianzas: <strong>la</strong> covarianza en L <strong>de</strong>l segmento hcon una <strong>de</strong> <strong>sus</strong> extremida<strong>de</strong>s es:σ2 (0, h| L) = F( L) − χ( h)b/ Varianza <strong>de</strong> extensión elemental. Se l<strong>la</strong>ma así a <strong>la</strong> varianza <strong>de</strong>extensión <strong>de</strong> una muestra puntual localizada en el centro <strong>de</strong>l segmento h.Está dada por:2 h(2-22)σE= 2 χ ⎛ ⎜⎞⎟−Fh( )⎝2⎠Se <strong>de</strong>duce (2-22) <strong>de</strong> (2-15) y <strong>de</strong> <strong>la</strong>s re<strong>la</strong>ciones establecidas en a/.c/ Principio <strong>de</strong> composición <strong>de</strong> varianzas elementales. Sea el segmentoL=Na a estimar. L está dividido en N zonas <strong>de</strong> influencia <strong>de</strong> longitud a,en cuyos centros se ha tomado una muestra puntual.Sea Y i<strong>la</strong> ley <strong>de</strong> <strong>la</strong> muestra i, Z i <strong>la</strong> ley media <strong>de</strong> su zona <strong>de</strong> influencia, y1Z = ∑ Z iN<strong>la</strong> ley <strong>de</strong> L. El error total es <strong>la</strong> media:1Z = ∑ ( Yi−Zi)Ni<strong>de</strong> los errores parciales Y i -Z i . El principio <strong>de</strong> aproximación consiste enadmitir que estos errores parciales son in<strong>de</strong>pendientes unos <strong>de</strong> otros(este principio se verifica con una aproximación muy razonable para los70
γ(h) usuales). Como <strong>la</strong> varianza <strong>de</strong> Y i -Z i es justamente <strong>la</strong> varianza <strong>de</strong>estimación elemental calcu<strong>la</strong>da en (2-21), se encuentra:(2-23)σ 2 1 2 1 aNE 2 Fa ( )Nσ ⎡Nχ ⎛ ⎞ ⎤= = ⎢ ⎜ ⎟−2⎥⎣ ⎝ ⎠ ⎦Se obtiene entonces <strong>la</strong> varianza <strong>de</strong> estimación al dividir <strong>la</strong> varianza <strong>de</strong>estimación elemental <strong>de</strong> una muestra en su zona <strong>de</strong> influencia por elnúmero <strong>de</strong> sondajes.d/ Caso <strong>de</strong>l dispositivo cerrado. A partir <strong>de</strong> N+1 muestras a mal<strong>la</strong>regu<strong>la</strong>r, se <strong>de</strong>sea estimar el segmento L=Na comprendido entre <strong>la</strong> primera y<strong>la</strong> última muestra:Se <strong>de</strong>muestra que este dispositivo cerrado es equivalente al dispositivocentrado examinado en c/, y que <strong>la</strong> varianza <strong>de</strong> estimación está dadatambién por (2-23) (siempre que n sea superior a 1): el dispositivocerrado con N+1 muestras es equivalente al dispositivo centrado con Nmuestras.Observación: para N=1, el dispositivo cerrado con dos muestrasproporciona <strong>la</strong> varianza <strong>de</strong> estimación:21σE '= 2 χ( h) −F( h) − γ( h)2que difiere <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> estimación elemental (2-23). No se pue<strong>de</strong>dividir σ 2 E’ por N, porque los errores parciales cometidos no sonnecesariamente in<strong>de</strong>pendientes (en particu<strong>la</strong>r, estos dos segmentos tienenen común <strong>la</strong> muestra central).e/ Comparación <strong>de</strong> los dos principios <strong>de</strong> aproximación. Para a pequeño, se<strong>de</strong>duce <strong>de</strong> (2-23) un principio <strong>de</strong> correspon<strong>de</strong>ncia análogo a (2-22), concoeficientes numéricamente cercanos a T λ (para λ no muy gran<strong>de</strong>), <strong>de</strong>manera que <strong>la</strong>s reg<strong>la</strong>s (2-23) y (2-22) son prácticamente equivalentes. Conun objetivo <strong>de</strong> simplificación, en <strong>la</strong> práctica se utiliza siempre <strong>la</strong> reg<strong>la</strong>(2-23) <strong>de</strong> composición <strong>de</strong> varianzas elementales, <strong>de</strong>bido a que esta fórmu<strong>la</strong>es válida para <strong>la</strong>s mal<strong>la</strong>s gran<strong>de</strong>s y pequeñas.71
2-6 METODO DE APROXIMACION EN R nTrataremos explícitamente el caso <strong>de</strong>l espacio <strong>de</strong> dos dimensiones. El casogeneral se <strong>de</strong>duce fácilmente por analogía. EL principio <strong>de</strong> aproximaciónque utilizaremos es el principio <strong>de</strong> composición <strong>de</strong> términos <strong>de</strong> línea y <strong>de</strong>rebanada, estudiado en <strong>de</strong>talle en el párrafo 1-4-4. En el caso intrínsecose pue<strong>de</strong> proporcionar una justificación análoga a <strong>la</strong> que presentamos apropósito <strong>de</strong> los métodos transitivos, pero los cálculos seríannotoriamente más complicados.Supondremos que el variograma es isótropo (solo <strong>de</strong>pen<strong>de</strong> <strong>de</strong> r). En caso <strong>de</strong>anisotropía geométrica es fácil adaptarse a este caso.a/ Las funciones auxiliares.Resulta cómodo introducir <strong>la</strong>s funciones siguientes:γ b (h): media <strong>de</strong> γ(x-y) cuando x e y recorren los dos <strong>la</strong>dos paralelos <strong>de</strong>longitud b <strong>de</strong>l rectángulo bxh (salvo una constante γ b (h) se <strong>de</strong>duce <strong>de</strong>γ(h) por subida <strong>de</strong> or<strong>de</strong>n 1).χ b (h): media <strong>de</strong> γ(x-y), cuando x <strong>de</strong>scribe uno <strong>de</strong> los <strong>la</strong>dos <strong>de</strong>l rectánguloe y recorre el interior <strong>de</strong>l rectángulo. Se tiene:h1χb( h) = γb( x)dxh∫F(b,h): media <strong>de</strong> γ(x-y) cuando x e y <strong>de</strong>scriben el rectángulo. Estafunción es simétrica en b y h, y verifica:0hh2 2Fbh (, ) = xχ() xdx= ( h−x) γb()xdxh∫ ∫2 b2h0 0Q(b,h): media <strong>de</strong> γ(x-y), cuando x <strong>de</strong>scribe el <strong>la</strong>do b e y <strong>de</strong>scribe el <strong>la</strong>doh, o también, x <strong>de</strong>scribe el rectángulo e y está fijo en uno <strong>de</strong> losvértices.b/ Extensión <strong>de</strong> un segmento medio en su rectángulo <strong>de</strong> influencia.72
(2-24)2 ⎛h⎞σE = 2 χb⎜⎟−Fbh( , ) −γb(0)⎝2⎠c/ Estimación <strong>de</strong> S por rebanadas parale<strong>la</strong>s equidistantes.Sean b 1 , b 2 , ..., b n <strong>la</strong>s longitu<strong>de</strong>s <strong>de</strong> n rebanadas, h su equidistancia. Seasimi<strong>la</strong> <strong>la</strong> superficie S que se quiere estimar a <strong>la</strong> unión <strong>de</strong> losrectángulos <strong>de</strong> influencia <strong>de</strong> <strong>la</strong>s n rebanadas. La fórmu<strong>la</strong> (2-24)proporciona <strong>la</strong> extensión <strong>de</strong> b i a su rectángulo <strong>de</strong> influencia, es <strong>de</strong>cir,σ 2 Ei. Si Y i es <strong>la</strong> ley <strong>de</strong> b i , Z i <strong>la</strong> <strong>de</strong> su zona <strong>de</strong> influencia, admitiendo quelos (Y i -Z i ) son in<strong>de</strong>pendientes, el error total:∑bi( Yi − Zi)b∑admite una varianza que se pue<strong>de</strong> calcu<strong>la</strong>r pon<strong>de</strong>rando por el cuadrado <strong>de</strong>los b i <strong>de</strong> <strong>la</strong>s varianzas <strong>de</strong> extensión σ 2 Ei. Se obtiene entonces <strong>la</strong> varianza<strong>de</strong> estimación:i(2-25)σ2Eb σ2 2i E i2∑ =( ∑bi)73
Observación. Si los b i son iguales, queda simplemente:1σ = σn2 2E E id/ Composición <strong>de</strong> término <strong>de</strong> línea y término <strong>de</strong> rebanada.En el caso c/ anterior, suce<strong>de</strong> que a menudo no se conocen <strong>la</strong>s leyesreales <strong>de</strong> <strong>la</strong>s líneas, sino so<strong>la</strong>mente una estimación <strong>de</strong> estas leyes apartir <strong>de</strong> muestras puntuales en una mal<strong>la</strong> regu<strong>la</strong>r a (a
2 1 2σN= σENcon un σ 2 E dado por (2-27).2-7 EL EFECTO DE PEPITA.2-7-1 Génesis <strong>de</strong> un efecto <strong>de</strong> pepita.Un variograma <strong>de</strong> alcance a finito caracteriza lo que se l<strong>la</strong>ma fenómeno <strong>de</strong>transición: más lejos <strong>de</strong> <strong>la</strong> distancia a, se alcanza <strong>la</strong> in<strong>de</strong>pen<strong>de</strong>ncia, yel alcance a proporciona <strong>la</strong> esca<strong>la</strong> <strong>de</strong> <strong>la</strong>s estructuras elementales <strong>de</strong>lfenómeno regionalizado correspondiente. Por otra parte, a menudo existesuperposición <strong>de</strong> varias estructuras <strong>de</strong> esca<strong>la</strong>s bien diferentes, anidadasunas en otras. El variograma experimental muestra entonces una sucesión<strong>de</strong> alcances y <strong>de</strong> mesetas, cuyo análisis permite reconstituir <strong>la</strong> jerarquía<strong>de</strong> estas estructuras anidadas.La noción <strong>de</strong> esca<strong>la</strong> juega aquí un papel primordial. A <strong>la</strong> esca<strong>la</strong> <strong>de</strong> <strong>la</strong><strong>de</strong>cena o <strong>de</strong> <strong>la</strong> centena <strong>de</strong> metros, un fenómeno <strong>de</strong> transición cuyo alcancees, por ejemplo, centimétrico, se manifiesta, sobre el γ(h) experimentalcomo una discontinuidad en el origen, es <strong>de</strong>cir como un efecto <strong>de</strong> pepita.De una manera general, un efecto <strong>de</strong> pepita es una reminiscencia <strong>de</strong> unaestructura <strong>de</strong> transición cuyas dimensiones fueron sobrepasadas a <strong>la</strong>esca<strong>la</strong> a <strong>la</strong> cual se trabaja: los <strong>de</strong>talles y <strong>la</strong>s característicascualitativas <strong>de</strong> esta estructura anterior han <strong>de</strong>jado <strong>de</strong> ser perceptibleshace tiempo, y, <strong>la</strong> esca<strong>la</strong> superior solo ha conservado un parámetro único– <strong>la</strong> constante <strong>de</strong> pepita – que proporciona una suerte <strong>de</strong> medida global <strong>de</strong><strong>la</strong> “intensidad” <strong>de</strong> esta estructura sobrepasada.Para analizar <strong>la</strong> génesis <strong>de</strong> un efecto <strong>de</strong> pepita, localicémonos al nivelpuntual, y supongamos que a una estructura primaria <strong>de</strong> dimensión a, sesuperpone una macro-regionalización, es <strong>de</strong>cir una estructura secundaria<strong>de</strong> dimensiones mucho más gran<strong>de</strong>s. Si solo existiera <strong>la</strong> estructuraprimaria, se podría <strong>de</strong>scribir <strong>la</strong> V.R. correspondiente como unarealización <strong>de</strong> una F.A. con covarianza C(h) <strong>de</strong> alcance a, o con unvariograma:γ ( h) = C−C( h)1<strong>de</strong> alcance y verificando γ(∞)=C=C(0). Para consi<strong>de</strong>rar <strong>la</strong> macroregionalización,se <strong>de</strong>be agregar un segundo componente γ 2 (h), querepresenta <strong>la</strong> estructura secundaria, <strong>la</strong> cual varía con mucha lentitud a<strong>la</strong> esca<strong>la</strong> <strong>de</strong> <strong>la</strong> primera estructura:75
γ ( h) = C− C( h) + γ ( h)2γ(h) presenta entonces, en <strong>la</strong> vecindad <strong>de</strong>l origen, una zona <strong>de</strong>crecimiento muy rápido, con dimensiones <strong>de</strong>l or<strong>de</strong>n <strong>de</strong> a. A <strong>la</strong> esca<strong>la</strong> <strong>de</strong> <strong>la</strong>macro-regionalización, este γ(h) presenta entonces un efecto <strong>de</strong> pepita <strong>de</strong>amplitud C.2-7-2 Influencia macroscópica <strong>de</strong> un efecto <strong>de</strong> pepita.Examinemos <strong>la</strong>s consecuencias <strong>de</strong> este efecto <strong>de</strong> pepita. Primero, al nivelmacroscópico, <strong>la</strong>s muestras no serán puntuales, sino volúmenes v yagran<strong>de</strong>s con respecto a a. Determinemos entonces el variograma γ v (h) <strong>de</strong>estas muestras v (el único variograma accesible experimentalmente). γ v (h)es <strong>la</strong> suma <strong>de</strong> una componente muy continua γ 2 (<strong>la</strong> cual no ha sidosensiblemente alterada en esta regu<strong>la</strong>rización) y <strong>de</strong> lo que se obtiene a<strong>la</strong>plicar <strong>la</strong> fórmu<strong>la</strong> (2-12) a <strong>la</strong> componente C-C(h): esta componentepepítica es entonces:γ ( ) 1 ( ) 1( )ph = dx C x y dy dx C h x y dyv∫ ∫ − − v∫ ∫ + −2 2v v v vEstudiemos entonces γ p . Se tiene γ p (0)=0, pero cuando h sobrepasa <strong>la</strong>sdimensiones <strong>de</strong>l volumen v, se tiene |h+x-y|≥a si xЄv, yЄv y C(h+x-y)=0.El primer término subsiste solo si h no es muy pequeño y se observaexperimentalmente una discontinuidad en el origen, cuyo valor σ 2 p(varianza <strong>de</strong> pepita) es:2 1σp= dx C( x − y)dy2v∫ ∫vPor otra parte, por hipótesis, <strong>la</strong>s dimensiones <strong>de</strong> v son gran<strong>de</strong>s conrespecto a a y se tiene:∫ ∫vCx ( − ydy ) = Chdh ( )76
(integral extendida a todo el espacio) salvo si x está a una distanciainferior a a <strong>de</strong> <strong>la</strong> frontera <strong>de</strong> v pero estos puntos ocupan un volumen<strong>de</strong>spreciable, se pue<strong>de</strong> entonces <strong>de</strong>spreciar su influencia, que es <strong>de</strong>lor<strong>de</strong>n <strong>de</strong> a. Queda entonces:2 1 1σp= dx C( h) dh C( h)dh2v∫ ∫ =v∫vvLuego, <strong>la</strong> constante <strong>de</strong> pepita σ 2 p que se observa experimentalmente esinversamente proporcional al volumen <strong>de</strong> <strong>la</strong>s muestras:σ =2py el coeficiente A=∫C(h)dh, que es <strong>la</strong> covarianza <strong>de</strong> <strong>la</strong>s microestructuras,es el único recuerdo <strong>de</strong> éstas el cual subsiste a <strong>la</strong> esca<strong>la</strong> <strong>de</strong> losvolúmenes v.El efecto <strong>de</strong> pepita aumenta <strong>de</strong> <strong>la</strong> misma manera <strong>la</strong> varianza <strong>de</strong> v en V, <strong>la</strong>svarianzas <strong>de</strong> extensión y <strong>la</strong>s varianzas <strong>de</strong> estimación. En el caso <strong>de</strong>σ 2 (v|V), por ejemplo, el aporte <strong>de</strong>l efecto <strong>de</strong> pepita será:1 1dx C( x y) dy dx C( x y)dyv∫ ∫ − − −V∫ ∫Av2 2v v V Ves <strong>de</strong>cir, según el cálculo anterior:⎛1 1 ⎞A⎜− ⎟⎝ v V ⎠En el caso <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> estimación <strong>de</strong> V por N muestras <strong>de</strong> tamaño v,se encuentra una componente pepítica igual a:⎛ 1 1 ⎞A⎜− ⎟⎝ Nv V ⎠En todos los casos, <strong>la</strong> varianza <strong>de</strong>bida al efecto <strong>de</strong> pepita esinversamente proporcional al volumen <strong>de</strong> <strong>la</strong>s muestras. Todo ocurre como si<strong>la</strong> V.R. admitiera dos componentes in<strong>de</strong>pendientes, uno muy regu<strong>la</strong>rcorrespondiente al variograma γ 2 , el otro completamente aleatorio ydiscontinuo el cual consi<strong>de</strong>ra el efecto <strong>de</strong> pepita.2-8 EL ESQUEMA ESFERICO.Para representar un fenómeno <strong>de</strong> transición, se pue<strong>de</strong>n utilizar esquemas<strong>de</strong> <strong>la</strong> forma:77
γ ( h) = A[ K(0) − K( h)]en que K(h) es el covariograma geométrico <strong>de</strong> un volumen v. Si se toma porv <strong>la</strong> esfera <strong>de</strong> diámetro a, se tiene (ver ejercicio 9 <strong>de</strong> los métodostransitivos, capítulo 1):3π 3 ⎛ 3 h 1 h ⎞⎜3 ⎟Kh ( ) = a 1 − − si (| h| < a)6 ⎝ 2 a 2 a ⎠Kh ( ) = 0 si (| h| ≥a)El esquema esférico estará entonces <strong>de</strong>finido por el variograma:3⎛3 r 1 r ⎞γ ( r) = C⎜−3 ⎟⎝2 a 2 a ⎠si r < aγ ( r) = 0 si r ≥ aEl alcance es a, <strong>la</strong> meseta es C=γ(∞), <strong>la</strong> pendiente en el origen es(3/2)(C/a).Se tienen los ábacos siguientes:Varianzas <strong>de</strong> estimación diversas.Varianza <strong>de</strong> un punto en el rectángulo lxh:1 ⎛F , h ⎞⎜ ⎟C ⎝a a⎠Observación – A menudo, en <strong>la</strong>s <strong>aplicaciones</strong>, los fenómenos <strong>de</strong> transiciónestán acompañados <strong>de</strong> un efecto <strong>de</strong> pepita: se les representará entoncespor un esquema esférico con efecto <strong>de</strong> pepita C 0 :78
Esquema esféricoVarianzas <strong>de</strong> extensión diversas79
2-9 INFERENCIA ESTADISTICA Y CUASI-ESTACIONARIDAD.2-9-1 F.A. cuasi-estacionaria.Volvamos al problema metodológico evocado en el párrafo 1-4-6. Se trata<strong>de</strong> mostrar – mediante una hipótesis bastante débil <strong>de</strong> tipo cuasiestacionaridad– que el problema <strong>de</strong> <strong>la</strong> estimación global <strong>de</strong> un dominioacotado V tiene solución. Esta va a resultar <strong>de</strong> los dos puntossiguientes:• La varianza <strong>de</strong> estimación solo <strong>de</strong>pen<strong>de</strong> (por lo menos para mal<strong>la</strong>spequeñas) <strong>de</strong>l comportamiento en una vecindad <strong>de</strong>l origen <strong>de</strong> unvariograma o <strong>de</strong> una covarianza “media”.• Este comportamiento es accesible experimentalmente, dicho <strong>de</strong> otramanera, <strong>la</strong> inferencia estadística <strong>de</strong> lo que es útil conocer esposible a partir <strong>de</strong> una so<strong>la</strong> realización, siempre que <strong>la</strong> F.A. nosea <strong>de</strong>rivable en media cuadrática.Es posible poner como hipótesis mínima <strong>la</strong> característica cuasiintrínseca,es <strong>de</strong>cir <strong>la</strong> existencia <strong>de</strong> un variograma γ localmenteestacionario el cual se <strong>de</strong>forma lentamente en el espacio. Nos limitaremosaquí a <strong>la</strong> hipótesis ligeramente más fuerte <strong>de</strong> cuasi-estacionaridad quevamos a precisar: Una F.A. Z(x) es cuasi-estacionaria si tiene unaesperanza matemática m(x) y una covarianza centrada C(x,y) tales que:a/ m(x) es una función muy regu<strong>la</strong>r que varía <strong>de</strong> manera lenta en elespacio (a <strong>la</strong> esca<strong>la</strong> <strong>de</strong> <strong>la</strong> mal<strong>la</strong> utilizada); más precisamente, m(x) pue<strong>de</strong>ser consi<strong>de</strong>rada como una constante en el dominio cuyas dimensiones son<strong>la</strong>s <strong>de</strong> <strong>la</strong> mal<strong>la</strong>.b/ Existe una función <strong>de</strong> tres argumentos K(h;x,y) tal que se tieneC(x,y)=K(x-y;x,y) y que, cuando h es fijo, K(h;x,y) es una funciónregu<strong>la</strong>r y lentamente variable (en el mismo sentido anterior) <strong>de</strong> losargumentos x e y. Dicho <strong>de</strong> otra manera, cuando x e y pertenecen a unmismo dominio cuyas dimensiones son <strong>la</strong>s <strong>de</strong> <strong>la</strong> mal<strong>la</strong>, K(h;x,y) solo<strong>de</strong>pen<strong>de</strong> <strong>de</strong> h, y todo suce<strong>de</strong> como si <strong>la</strong> covarianza C fuera localmenteestacionaria.En efecto, haremos aún una hipótesis un poco más restrictiva. Admitiremosque, en el dominio V que se quiere estimar, <strong>la</strong> función K admite un<strong>de</strong>sarrollo en serie entera <strong>de</strong> <strong>la</strong> forma:Khxy ( ; , ) = ∑ ϖn( x) ϖn( yC )n( h)nLos ϖ nson funciones regu<strong>la</strong>res que varían <strong>de</strong> manera lenta en <strong>la</strong> esca<strong>la</strong> <strong>de</strong><strong>la</strong> mal<strong>la</strong>, y los C n (h), funciones <strong>de</strong> covarianza.Es posible entonces encontrar funciones aleatorias Y n (x) estacionarias <strong>de</strong>or<strong>de</strong>n 2, <strong>de</strong> esperanza matemática nu<strong>la</strong>, mutuamente in<strong>de</strong>pendientes entreel<strong>la</strong>s, y tales que se tenga:Z( x) m( x) ϖ ( x) Y ( x)= +∑nnn81
Esta <strong>de</strong>scomposición es suficientemente general para lo que tenemos envista. Las operaciones <strong>de</strong> tipo cálculo <strong>de</strong> una varianza <strong>de</strong> estimación,estimación <strong>de</strong> un variograma, varianza <strong>de</strong> esta estimación, etc. se van apresentar <strong>de</strong> manera lineal respecto <strong>de</strong> <strong>la</strong>s componentes in<strong>de</strong>pendientesY n (x). Luego es suficiente tratar separadamente <strong>la</strong>s componentes Y n (x), yadicionar luego los resultados obtenidos. Resulta así una simplificaciónimportante, porque nos reducimos al estudio <strong>de</strong>l caso en que Z(x) es <strong>de</strong> <strong>la</strong>forma:(2-33) Z( x) = m( x) + ϖ ( x) Y( x)La cual admite <strong>la</strong> esperanza m(x) y una covarianza centrada <strong>de</strong> <strong>la</strong> forma:(2-34) Cxy ( , ) = ϖ ( x) ϖ ( yC )0( x−y)Examinemos ahora como se presentan nuestros dos problemas cuando estasdos re<strong>la</strong>ciones (2-33) y (2-34) se verifican.2-9-2 Cálculo <strong>de</strong> <strong>la</strong> varianza <strong>de</strong> estimación.Para simplificar, nos limitaremos al caso <strong>de</strong>l espacio R 1 , y supondremosque se <strong>de</strong>sea estimar el intervalo (0,L) a partir <strong>de</strong> n muestrasimp<strong>la</strong>ntadas en una mal<strong>la</strong> regu<strong>la</strong>r L=na según el dispositivo centrado. Se<strong>de</strong>signarán por x i =(i-1/2)a los puntos <strong>de</strong> muestreo, y por:Ziia1= ∫a( i − 1) aZ( x)dx<strong>la</strong> ley real <strong>de</strong> <strong>la</strong> zona <strong>de</strong> influencia número i. Si se toma el estimador:el error <strong>de</strong> estimación es:1n1∑ Z( x i)n∑ii( Z( x ) − Z )En el término Z(x i )-Z i , <strong>la</strong> contribución <strong>de</strong> m(x) es <strong>de</strong>spreciable, porquem(x) se consi<strong>de</strong>ra constante en una zona <strong>de</strong> influencia: m(x) no jueganingún papel en el problema. Queda entonces:ii1Z( xi) − Zi = ϖ( xi) Y( xi) − ϖ( x) Y( x)dxa∫ia( i−1)ay, como ϖ ( x)se consi<strong>de</strong>ra constante en una zona <strong>de</strong> influencia:⎡ia1 ⎤Z( xi) − Zi = ϖ( x) ⎢Y( xi) − Y( x) dx ϖ( xi)[ Y( xi) Yi]a∫ ⎥ = −⎢⎣( i−1)a ⎥⎦82
La varianza <strong>de</strong> este error individual es entonces:2[ ϖ ] σ0D [ Z( x ) − Z ] = ( x )2 2i i i E2al <strong>de</strong>signar por σE<strong>la</strong> varianza <strong>de</strong> extensión <strong>de</strong> x i en su zona <strong>de</strong>0influencia calcu<strong>la</strong>da con <strong>la</strong> covarianza C 0 <strong>de</strong> Y(x). Por otra parte, losmétodos <strong>de</strong> aproximación que hemos presentado en el párrafo (2-5) muestranque los errores Y(x i )-Y i pue<strong>de</strong>n ser consi<strong>de</strong>rados como sin corre<strong>la</strong>ción.Resulta que nuestra varianza <strong>de</strong> estimación es:1 1 1σ σ ϖ ( ) σ ϖ ( xdx )L2 2 2 2 2Est=E0 2∑ xi ≈2 E0n i n a∫0es <strong>de</strong>cir:L2 1 2 1 2=0n L∫0σ σ ϖEst E( x)dxLuego, esta varianza <strong>de</strong> estimación es <strong>la</strong> misma que si se tuviera <strong>la</strong>covarianza estacionaria:L1 2( ) = 0( ) ( )L∫ ϖ0Ch C h xdxDesignemos ahora por Ch ( ) <strong>la</strong> covarianza (seudo-estacionaria) media:L−hL−h1C0( h)Ch ( ) = Cxx ( , + hdx ) = ϖ( x) ϖ( x+hdx )L−h ∫L−h∫0 0Para h≤a, ϖ ( x + h)no difiere mucho <strong>de</strong> ϖ ( x)y se tiene:−L hL1 1 2ϖ( x) ϖ( x+ h) dx≈ϖ ( x)dxL− h∫L∫0 0Luego, para h≤a, C(h) = Ch, ( ) y <strong>la</strong> varianza <strong>de</strong> estimación es <strong>la</strong> misma quepara una F.A. estacionaria cuya covarianza sería precisamente estacovarianza media Ch. ( )Para a pequeño, resta <strong>de</strong>mostrar que es posible estimar efectivamenteC(0) − C( h).83
2-9-3 Posibilidad <strong>de</strong> inferencia estadística.Pondremos:γ ( h) = C(0) − C( h), γ ( h) = C (0) − C ( h), etc.0 0 0Buscamos estimar el comportamiento <strong>de</strong> Ch ( ) en una vecindad <strong>de</strong>l origen, es<strong>de</strong>cir <strong>de</strong> γ ( h)para h pequeño. Para ello tomaremos el estimador:L−hL−h* 1 2 12 2∫ ∫γ ( h) = ( ϖ( x+ h) Y( x+ h) −ϖ( x) Y( x)) dx≈ ϖ ( x)( Y( x+ h) −Y( x))dx2( L−h) 2( L−h)0 0Con <strong>la</strong>s aproximaciones que hemos realizado, este estimador es insesgado:( γ )E * ( h) = γ ( h)Queda por evaluar su varianza. Aquí es necesario introducir una hipótesissobre <strong>la</strong> ley espacial <strong>de</strong> <strong>la</strong> F.A., porque van a intervenir,necesariamente, momentos <strong>de</strong> or<strong>de</strong>n 4. Lo más simple es limitarse al casogaussiano, como en el ejercicio 16. Los cálculos realizados en lospárrafos a/ y b/ siguen siendo válidos y queda:(2-35)L−hL−h2 * 12 2 2( γ ( )) = ϖ ( ) ϖ ( )[ γ20( − + ) + γ0( − − ) −2 γ0( − )]2( L− h)∫ ∫0 0D h x dx y x y h x y h x y dyEvaluemos esta integral cuando h es pequeño. Es c<strong>la</strong>ro que esta integrales equivalente a:12L2L−hL−h2 2 2∫ ϖ ( ) ∫ ϖ ( )[ γ0( − + ) + γ0( − − ) −2 γ0( − )]0 0x dx y x y h x y h x y dyPongamos:Fu ( ) = [ γ ( u+ h) + γ ( u−h) − 2 γ ( u)]0 0 0y <strong>de</strong>signemos por R al covariograma transitivo <strong>de</strong> <strong>la</strong> función igual a ϖ2 ( x)en el intervalo (0,L) e igual a = en otro caso. El algoritmo <strong>de</strong> Cauchynos proporciona:L2 * 1D ( γ ( h)) = R( u) F( u)du2L∫0Para u>h, F(u) es una función regu<strong>la</strong>r <strong>de</strong> u, equivalente a h 4 (γ”(u)) 2 .Luego nuestra varianza es <strong>de</strong> <strong>la</strong> forma:284
R(0)h2 * 4D ( γ ( h)) = Ah + F( u)du2L∫0Todo va a <strong>de</strong>pen<strong>de</strong>r ahora <strong>de</strong>l comportamiento d F(u) en una vecindad <strong>de</strong> 0.Designemos por bh λ (eventualmente bh 2 log(h)) <strong>la</strong> parte principal <strong>de</strong> γ 0 enh=0. La parte principal <strong>de</strong> F(u) es:bh2 2λλλ⎡⎛ u⎞ ⎛ u⎞⎢⎜1+ ⎟ + ⎜1− ⎟ −2u⎢⎣⎝ h⎠ ⎝ h⎠Por consiguiente, <strong>la</strong> varianza será <strong>de</strong> <strong>la</strong> forma:λ⎤⎥⎥⎦2(2-36)BD ( γ ( h))= Ah + hL2 * 4 1+2λ2Hay que distinguir entonces dos casos:a/ λ
2-10 EJERCICIOS SOBRE LAS FUNCIONES ALEATORIAS INTRINSECAS.2-10-1 Construcción <strong>de</strong> F.A.I.Ejercicio 1. Se elige al azar un origen x 0 en (0,a), luego se divi<strong>de</strong> <strong>la</strong>recta en segmentos <strong>de</strong> longitud a mediante los puntos <strong>de</strong> subdivisión x 0 +ka(k entero, positivo o negativo). Sea Y(x) <strong>la</strong> F.A. que toma en cada uno <strong>de</strong>estos segmentos <strong>de</strong> longitud a un valor aleatorio constante Y, sorteado a<strong>la</strong>zar <strong>de</strong> manera in<strong>de</strong>pendiente <strong>de</strong> un segmento a otro, según una ley <strong>de</strong>probabilidad <strong>de</strong> media m y <strong>de</strong> varianza σ 2 . Probar que <strong>la</strong> probabilidad <strong>de</strong>que dos puntos x y x+h pertenezcan al mismo segmento es 1-|h|/a para|h|≤a y 0 para |h|>a. Deducir el variograma <strong>de</strong> Y(x) (Solución: |h|σ 2 /apara |h|≤a y σ 2 para h>a).Ejercicio 2. La misma pregunta que en el ejercicio prece<strong>de</strong>nte, pero <strong>la</strong>slongitu<strong>de</strong>s <strong>de</strong> los segmentos sucesivos siguen <strong>la</strong> misma ley exponencialexp(-λl) (dicho <strong>de</strong> otra manera, los puntos <strong>de</strong> discontinuidad constituyenun proceso <strong>de</strong> Poisson)(Solución: <strong>la</strong> probabilidad para que x y x+h estén en el mismo segmento esexp(-λh). Se <strong>de</strong>duce: γ(h)=σ 2 (1-exp(-λh))).Ejercicio 3. Sea en <strong>la</strong> recta real un proceso <strong>de</strong> Poisson (puntosaleatorios separados por distancias in<strong>de</strong>pendientes <strong>la</strong>s cuales admiten <strong>la</strong>misma ley <strong>de</strong> probabilidad <strong>de</strong> <strong>de</strong>nsidad aexp(-ax)). Se <strong>de</strong>fine (salvo unaconstante) una F.A. Y(x) tomando Y(x)=constante fuera <strong>de</strong> los puntospoissonianos x i , y, en cada x i , Y + (x i )-Y - (x i )=X i , con V.A. X i in<strong>de</strong>pendientesque siguen una misma ley <strong>de</strong> esperanza m y varianza σ 2 .Probar que <strong>la</strong> F.A. es intrínseca (pero no es estacionaria <strong>de</strong> or<strong>de</strong>n 2),que admite una <strong>de</strong>riva mah y el variograma a(m 2 +σ 2 )|h|/2 (lineal). (Esteproceso es un proceso <strong>de</strong> Poisson compuesto, con incrementosin<strong>de</strong>pendientes y estacionarios. Para calcu<strong>la</strong>r <strong>la</strong> <strong>de</strong>riva y el variograma,se podrán calcu<strong>la</strong>r <strong>la</strong>s esperanzas E[Y(x+h)-Y(x)] y E[Y(x+h)-Y(x)] 2condicionando sobre el número n <strong>de</strong> puntos poissonianos que caen entre x yx+h, luego <strong>de</strong>s-condicionar en n).Ejercicio 4. Sea Y(x) una F.A. estacionaria <strong>de</strong> or<strong>de</strong>n 2, m su esperanza yC(h) su covarianza. Probar que <strong>la</strong> F.A.xZ( x) = ∫ Y( y)dy0es intrínseca (pero no estacionaria <strong>de</strong> or<strong>de</strong>n 2), admite <strong>la</strong> <strong>de</strong>riva mh y elvariograma:(Solución: partir <strong>de</strong> γ”=C).hγ ( h) = ( h−x) C( x)dx∫0b/ Aplicación al proceso <strong>de</strong> pendientes aleatorias: se consi<strong>de</strong>ran puntos<strong>de</strong> discontinuidad poissonianos, como en el ejercicio 3, <strong>la</strong> pendiente wpermanece constante en cada un o <strong>de</strong> los intervalos entre los puntos <strong>de</strong>discontinuidad. Estas pendientes w son aleatorias e in<strong>de</strong>pendientes, <strong>de</strong>esperanza nu<strong>la</strong> y <strong>de</strong> varianza σ 2 en cada intervalo. Probar que el proceso86
Y(x) así <strong>de</strong>finido (salvo una constante) es una F.A.I. (Y(x) no esestacionaria <strong>de</strong> or<strong>de</strong>n 2) sin <strong>de</strong>riva, con variograma:2 eσ−ah− 1+ah2a(Solución: el proceso <strong>de</strong>rivado es <strong>de</strong>l tipo <strong>de</strong>l ejercicio 2, basta conaplicar a/ a Y’(x)).2-10-2 Ejercicios sobre <strong>la</strong>s varianzas <strong>de</strong> estimación.Ejercicio 5 – Se consi<strong>de</strong>ra el variograma h λ (01 e inversamente, con igualdad para λ=1: paraλ>1, alta continuidad y <strong>la</strong> muestra única pero bien ubicada es superior a<strong>la</strong>s dos muestras mal ubicadas; para λ
Ejercicio 7 – Sea, en el espacio <strong>de</strong> dos dimensiones, el variograma r λ .Sea un <strong>de</strong>pósito reconocido líneas <strong>de</strong> longitu<strong>de</strong>s superiores a suequidistancia h.a/ Calcu<strong>la</strong>r <strong>la</strong> varianza <strong>de</strong> extensión <strong>de</strong> una línea <strong>de</strong> <strong>la</strong>rgo l en surectángulo lxh <strong>de</strong> influencia.(Solución: <strong>la</strong> subida bajo potencia constante l transforma r λ en Ar λ+1 /l (oa log(r) en πr/l); <strong>de</strong> don<strong>de</strong>:σ2E2 ⎡ 1 1 ⎤hh= A − = B1+λλ+ 2⎢⎣2 λ+3⎥⎦ 1+ λ 1+λb/ <strong>de</strong>ducir <strong>la</strong> varianza <strong>de</strong> estimación (pon<strong>de</strong>rar por los cuadrados <strong>de</strong> <strong>la</strong>slongitu<strong>de</strong>s <strong>de</strong> <strong>la</strong>s líneas, poner L=Σl i y S=Lh, poner entonces <strong>la</strong> varianza<strong>de</strong> estimación en <strong>la</strong> forma:1+λSB L2+λEjercicio 8 – Mismo problema que en 7, pero se supone que a<strong>de</strong>más <strong>la</strong>slíneas están estimadas a partir <strong>de</strong> muestras (canaletas) a <strong>la</strong> mal<strong>la</strong> a.Calcu<strong>la</strong>r el término <strong>de</strong> línea.(Solución:C 1 2 1 1a+ λ⎡ ⎤con C = −λLλ+ 1⎢⎣2 λ+2⎥⎦ )Optimización económica: sea w el costo <strong>de</strong>l metro <strong>de</strong> galería, p 0 el costo<strong>de</strong> una muestra, y l 0 =p 0 /w. Optimizar <strong>la</strong> precisión si el presupuesto <strong>de</strong>reconocimiento es fijo, o, lo que es lo mismo, optimizar el costo <strong>de</strong>reconocimiento si <strong>la</strong> precisión es fija.(Solución: Todo consiste en minimizar Cha 1+λ +Bh 2+λ con <strong>la</strong> condición1/(hl 0 )+1/(ha)=C. Se obtiene <strong>la</strong> re<strong>la</strong>ción siguiente:21 1(2 ) (1 ) a + λ+ λ+ λ+ λ = λ + + λ0B h Ca Cque proporciona <strong>la</strong> equidistancia h <strong>de</strong> los niveles en función <strong>de</strong> <strong>la</strong> mal<strong>la</strong><strong>de</strong> canaletas.2-10-3 Ejercicios sobre el efecto <strong>de</strong> pepita y el esquema esférico.Ejercicio 9: Efecto <strong>de</strong> pepita al estado puro – Sean pepitas puntualesdistribuidas en el espacio según un esquema <strong>de</strong> Poisson (<strong>de</strong>finición: elnúmero N(v) <strong>de</strong> pepitas en un volumen v es una variable <strong>de</strong> Poisson <strong>de</strong>media λv; si v y v’ son disjuntos, N(v) y N(v’) son in<strong>de</strong>pendientes).a/ Se toman volúmenes v, y se pone Y(x)=N(v x ) en que v x representa eltras<strong>la</strong>dado <strong>de</strong> v imp<strong>la</strong>ntado en el punto x. Probar que <strong>la</strong> covarianza <strong>de</strong>Y(x) e Y(x+h) es <strong>la</strong> varianza <strong>de</strong> N(v x ∩v x+h ), es <strong>de</strong>cir λK(h), siendo K(h) elcovariograma geométrico <strong>de</strong>l volumen v.88
Se supone ahora que <strong>la</strong>s pepitas tienen pesos aleatorios in<strong>de</strong>pendientes(con media p 0 y varianza σ 2 p, y se toma para Y(x) <strong>la</strong> suma P 1 +P 2 +...+P N <strong>de</strong>los pesos <strong>de</strong> los N=N(v x ) pepitas contenidas en v. Calcu<strong>la</strong>r <strong>la</strong> media y <strong>la</strong>varianza <strong>de</strong> Y(x) (solución: E(Y)=λvp 0 , D 2 (Y)=λv(p 2 0+σ 2 p)). Deducir <strong>la</strong>covarianza <strong>de</strong> Y(x) e Y(x+h) (reemp<strong>la</strong>zar v por K(h)).Ejercicio 10: Esquema <strong>de</strong> dilución. – Se tienen gérmenes poissonianos comoen el ejercicio 9. Sea f(x) una función. Se pone:∑Y( x) = f( x−x )ien que x i representa <strong>la</strong>s imp<strong>la</strong>ntaciones <strong>de</strong> los diferentes gérmenes. Setrata entonces <strong>de</strong> una dilución <strong>de</strong> estos gérmenes por <strong>la</strong> función f.Encontrar <strong>la</strong> covarianza K(h) <strong>de</strong> Y(x) e Y(x+h) ( λ g( h), con g = f ∗ f ).(Hay que limitarse al caso en que f es a soporte compacto, consi<strong>de</strong>rar dospuntos x 0 y x 0 +h y un domino acotado V que contiene los tras<strong>la</strong>dados por x 0y x 0 +h <strong>de</strong>l soporte <strong>de</strong> f. Se razonará suponiendo que el número n <strong>de</strong> puntospoissonianos caídos en V es fijo, luego se <strong>de</strong>s-condicionará en n).Ejercicio 11: Esquema esférico <strong>de</strong> una dimensión – Calcu<strong>la</strong>r <strong>la</strong>s funcionesauxiliares <strong>de</strong>l esquema esférico:33 1 γ ( ) = − para ≤a 1 para ≥a32 a 2 a33 1 3 aχ( ) = − para ≤a 1 − para ≥a34 a 8 a8 3 21 1 3 a 1 aF( ) = − para ≤a 1 − + para ≥a3 22 a 20 a4 5 b/ Varianza <strong>de</strong> extensión elemental <strong>de</strong> una muestra en su segmento b <strong>de</strong>influencia, para b≤a y b≥2a . Interpretar.i⎛1 3 3 1⎜b + b y 1− a −a⎝4 a 160 a 4 b 5 b3 23 2⎞⎟⎠2-10-4 Ejercicios sobre <strong>la</strong>s gran<strong>de</strong>s mal<strong>la</strong>s.Los tres ejercicios que siguen constituyen un test. Si usted es capaz <strong>de</strong>compren<strong>de</strong>r el camino <strong>de</strong> solución <strong>de</strong> los dos primeros, y <strong>de</strong> efectuar loscálculos correspondientes (que son fáciles), quiere <strong>de</strong>cir que usted haasimi<strong>la</strong>do bien los mecanismos mentales que <strong>de</strong>ben ser los mecanismos <strong>de</strong>lgeoestadístico. Si a<strong>de</strong>más, usted pue<strong>de</strong> aceptar, sin confusión, <strong>la</strong>sconclusiones críticas <strong>de</strong>l tercer ejercicio (no vali<strong>de</strong>z en <strong>la</strong>s gran<strong>de</strong>smal<strong>la</strong>s <strong>de</strong>l principio <strong>de</strong> composición <strong>de</strong> términos <strong>de</strong> línea y <strong>de</strong> rebanada, yvali<strong>de</strong>z so<strong>la</strong>mente muy aproximada <strong>de</strong>l principio <strong>de</strong> composición <strong>de</strong>varianzas <strong>de</strong> estimación elementales), esto prueba que vuestra comprensiónse extien<strong>de</strong> en profundidad, permitiéndole juzgar el sentido y los límites<strong>de</strong> cada una <strong>de</strong> <strong>la</strong>s hipótesis <strong>de</strong> aproximación <strong>de</strong> <strong>la</strong> Geoestadísticaoperativa.89
Del punto <strong>de</strong> vista epistemológico, se notará también que en <strong>la</strong>s gran<strong>de</strong>smal<strong>la</strong>s (es <strong>de</strong>cir superiores al alcance), <strong>la</strong> forma exacta <strong>de</strong> <strong>la</strong> covarianzao <strong>de</strong>l variograma γ(h) pier<strong>de</strong> toda importancia: el K(h) solo intervienepor su valor C en el origen y <strong>sus</strong> primeros momentos (A 0 y A 1 en R 1 ; A 0 , A 1 ,A 2 y A 3 en R 2 ; en R 3 habría que ir hasta A 5 ). Luego, en R 2 , por ejemplo,todos los esquemas se reducen, en <strong>la</strong>s gran<strong>de</strong>s mal<strong>la</strong>s, a un tipo único, elcual <strong>de</strong>pen<strong>de</strong> so<strong>la</strong>mente <strong>de</strong> los 4 parámetros esenciales A 0 , A 1 , A 2 y A 3 y <strong>de</strong>lparámetro C (que solo interviene como un factor). En <strong>la</strong>s gran<strong>de</strong>s mal<strong>la</strong>sestamos próximos <strong>de</strong> <strong>la</strong>s condiciones <strong>de</strong> vali<strong>de</strong>z <strong>de</strong> <strong>la</strong> estadística clásica:a <strong>la</strong> varianza <strong>de</strong> estimación C/n a <strong>la</strong> cual conduciría <strong>la</strong> estadística, elcálculo geoestadístico agrega términos correctivos, cuyos coeficientesson precisamente los A i .Ejercicio 12 (1 dimensión) – Se <strong>de</strong>signará por γ(h)=γ(r) un variograma(isótropo) <strong>de</strong> tipo transitivo, es <strong>de</strong>cir <strong>de</strong> <strong>la</strong> forma:γ ( r) = C− Kr ( ) con Kr ( ) = 0 para r>alcance1/ En el espacio <strong>de</strong> una dimensión, para >alcance, se tiene:Deducir que:Con:2 2C− F( ) = ∫( − x) K( x) dx= ∫( −x) K( x)dx2 20 0A AF() = C− + A0χ() = C −20 12∞A = 2 K( x)dx01∞∫0∞∫A = 2 xK( x)dx2/ Varianza <strong>de</strong> extensión para una mal<strong>la</strong> a>alcance:0aA Aσ = 2 χ ⎛ ⎜⎞⎟− Fa ( ) = C− −⎝2⎠a a2 0 1E2Para una galería <strong>de</strong> longitud =na, <strong>la</strong> varianza <strong>de</strong> estimación es:1 2 a A0 A1σE= C − −n a90
Ejercicio 13 (2 dimensiones) – 1/ Función F(a,b): El valor medio <strong>de</strong>γ(h)=γ(r) en el rectángulo (a,b) es:a b42 2( , ) = ( )( ) ( )2 2ab∫∫ − − γ +0 0Fab a x b y x y dxdy2/ Sea γ(h)= C-K(h) un esquema <strong>de</strong> tipo transitivo (es <strong>de</strong>cir K(h)=0 parar=|h|>ε, siendo ε el alcance). En <strong>la</strong>s gran<strong>de</strong>s mal<strong>la</strong>s (a y b > alcance) 1/proporciona:<strong>de</strong>ducir que:Con:a b42 2( , ) ( )( ) ( )2 2ab∫∫0 0C− F a b = a−x b− y K x + y dxdyπ A 2A⎛1 1⎞= − + + −⎝ ⎠1 23Fab ( , ) C ⎜ ⎟ab ab a b a2 b2A1A1= K( h) dh=2 rK( r)drπ ∫ ∫AA23==2∞22 ( )∫0∞32 ( )∫0r K r drr K r dr∞03/ Deducir χ(a;b), γ(a;b), Q(a,b) (siempre para a,b > alcance).Aplicar:Lo cual <strong>de</strong>be dar:21 ∂ ⎛aF⎞χ( ab ; ) = ⎜ ⎟a ∂a⎝2 ⎠2 2∂ ⎛aF⎞γ ( ab ; ) = ⎜ ⎟2∂a⎝ 2 ⎠2 2 21 ∂ ⎛abF⎞Qab ( , ) = ⎜ ⎟ab ∂∂ a b ⎝ 4 ⎠91
π A Aχ = C − +2ababγ = C1 22π A1Q= C−4ab4/ Varianza <strong>de</strong> extensión <strong>de</strong> una galería en xh. , h/2 > alcance.2 hσE= 2 χ ⎛ ⎜ ; ⎞⎟−Fh( , ) −F( )⎝2 ⎠ 2 A0⎛ π 1 ⎞ ⎛ 1 1 ⎞ 1σE= − A ⎜ + ⎟+ 2A ⎜ − ⎟+A ⎝h ⎠ ⎝h h ⎠h 1 2 2 2 2 3 2 25/ Varianza <strong>de</strong> extensión S por galerías <strong>de</strong> longitud i > alcance(equidistancia > alcance). Poner Σ i =L. Sea N el número <strong>de</strong> galerías.2 2∑iσE i( ∑i )A ⎛ π N ⎞ ⎛ N 1 ⎞ N= − A ⎜ + ⎟+ 2A ⎜ − ⎟+AL ⎝Lh L ⎠ ⎝h h ⎠h 02 1 2 2 2 2 3 2 2⎛ ⎞ ⎛ ⎞= A − A ⎜ + ⎟+ A ⎜ − ⎟+AS ⎝S S ⎠ ⎝ S hS ⎠ S2h π h N hN 1 N0 122 2 2 3 26/ Estimación <strong>de</strong> S por galerías (equidistancia h>alcance), muestreadascon mal<strong>la</strong> a superior al alcance:σ2Est⎛ ⎞ ⎛ ⎞= + − ⎜ + ⎟+ ⎜ − ⎟+S S ⎝S S ⎠ ⎝ S hS ⎠ S2ah h π h N hN 1 NC A0 A1 2A 2 2A2 3 27/ Varianza <strong>de</strong> extensión <strong>de</strong> un sondaje:⎛a a⎞π A A Aσ = 2 Q⎜, ⎟− F( a, a) = C− − 4 +⎝2 2⎠a a a2 1 2 3E2 3 4De don<strong>de</strong> obtenemos <strong>la</strong> varianza <strong>de</strong> estimación <strong>de</strong> S:92
21 2 a π A1 A2A3σE= C − − 4 +2n S S aS a SEjercicio 14 (Crítica) – 1/ Dar una mirada crítica: Para h=a <strong>la</strong> fórmu<strong>la</strong> 6no es compatible con el resultado encontrado en 7/ (salvo el primertérmino C/n, que es <strong>la</strong> aproximación <strong>de</strong> <strong>la</strong> estadística clásica). De losdos principios <strong>de</strong> aproximación siguientes:• composición <strong>de</strong> términos <strong>de</strong> línea y <strong>de</strong> rebanada (utilizado en 6/)• composición <strong>de</strong> varianzas <strong>de</strong> extensión elementales (utilizado en 7/)por lo menos uno <strong>de</strong> ellos no es aplicable al caso <strong>de</strong> <strong>la</strong>s gran<strong>de</strong>s mal<strong>la</strong>s.Al reflexionar, aparece que <strong>la</strong> varianza <strong>de</strong> estimación asociada a unamal<strong>la</strong> rectangu<strong>la</strong>r (a,b), cuando a y b son superiores al alcance, solo<strong>de</strong>be <strong>de</strong>pen<strong>de</strong>r <strong>de</strong> <strong>la</strong> superficie ab <strong>de</strong>l rectángulo <strong>de</strong> <strong>la</strong> mal<strong>la</strong>, y no <strong>de</strong> sualongamiento (a/b). Pero <strong>la</strong> fórmu<strong>la</strong> 6/ hace intervenir, <strong>de</strong> maneraexplícita, esta razón a/h. Se pue<strong>de</strong> concluir que el principio <strong>de</strong>composición <strong>de</strong> términos <strong>de</strong> rebanada y <strong>de</strong> línea no es aplicable a <strong>la</strong>sgran<strong>de</strong>s mal<strong>la</strong>s, y que <strong>de</strong>be preferirse <strong>la</strong> fórmu<strong>la</strong> 7/.2/ Para verificarlo, <strong>de</strong> manera rigurosa, partir <strong>de</strong> <strong>la</strong> fórmu<strong>la</strong> general:1 2 1σ = K( x− y) dxdy− K( x − y) dy+ K( x −x)∫∫ ∑∫2Est 2 i 2i jS NS iNS SSi,jCuando <strong>la</strong>s distancias entre sondajes |x i -x j |, así como <strong>la</strong>s distanciasentre los sondajes y <strong>la</strong> frontera <strong>de</strong> S son superiores al alcance, <strong>la</strong>fórmu<strong>la</strong> anterior se traduce en <strong>la</strong> fórmu<strong>la</strong> (rigurosa) siguiente:C 2πAσ = C− F( S)+ −N S2 1Estfórmu<strong>la</strong> que es in<strong>de</strong>pendiente <strong>de</strong> <strong>la</strong> forma <strong>de</strong> <strong>la</strong> mal<strong>la</strong> ( y aplicable, enparticu<strong>la</strong>r, también a mal<strong>la</strong>s irregu<strong>la</strong>res).C-F(S) solo <strong>de</strong>pen<strong>de</strong> <strong>de</strong> <strong>la</strong> superficie S (y no <strong>de</strong> <strong>la</strong> mal<strong>la</strong>) y tiene comoparte principal (para S gran<strong>de</strong>): πA 1 /S, <strong>de</strong> don<strong>de</strong> se obtiene <strong>la</strong> fórmu<strong>la</strong> <strong>de</strong>aproximación:C π Aσ ≈ −N S2 1Est3/ Examinemos si el principio <strong>de</strong> composición <strong>de</strong> varianzas <strong>de</strong> extensiónelementales proporciona mejores resultados. Se encuentra:1 ⎡ ⎛a b⎞ ⎤ C A1 A2⎛1 1⎞A32 Q , F( a, b) 2N⎢ ⎜ ⎟− π2 2⎥ = − − ⎜ + ⎟+⎣ ⎝ ⎠ ⎦ N S S ⎝a b ⎠ SabLos dos primeros términos son buenos. Los términos <strong>de</strong> or<strong>de</strong>n superior (enA 2 y A 3 ) no son aceptables, porque aún <strong>de</strong>pen<strong>de</strong>n <strong>de</strong> a y <strong>de</strong> b, mientras que<strong>la</strong> fórmu<strong>la</strong> exacta solo hace intervenir <strong>la</strong> geometría <strong>de</strong> S. Sin embargoesta fórmu<strong>la</strong> es mejor que 6/ (en <strong>la</strong> cual solo el primer término esbueno).∑93
4/ En el mismo espíritu que 2/ anterior, probar que <strong>la</strong> varianza <strong>de</strong>estimación <strong>de</strong> un segmento <strong>de</strong> longitud L por una mal<strong>la</strong> a>alcance es(rigurosamente):( ) C 2 A 0C− F L + −N LDeducir que <strong>la</strong> varianza <strong>de</strong> estimación <strong>de</strong> una dimensión (Ejercicio 12,párrafo 2) es en realidad:C A Aσ = − −N L L2 0 1Est2Luego, en una dimensión, el principio <strong>de</strong> composición <strong>de</strong> varianzas <strong>de</strong>extensión proporciona el valor exacto en los dos primeros términos, perono en el tercero.5/ Concluir <strong>de</strong>l párrafo anterior que solo los dos primeros términos <strong>de</strong> <strong>la</strong>fórmu<strong>la</strong> <strong>de</strong>l párrafo 5/ Ejercicio 13 son válidos (varianza <strong>de</strong> estimación<strong>de</strong> S por galerías perfectamente muestreadas).Para reconstituir <strong>la</strong> fórmu<strong>la</strong> exacta, se supondrá que S es el rectángulo xh, y se razonará directamente sobre el variograma γ’ <strong>de</strong>ducido <strong>de</strong> γ porsubida bajo potencia . Para h superior al alcance, <strong>la</strong> función F’(h) <strong>de</strong>este esquema transitivo <strong>de</strong> una dimensión es <strong>de</strong> <strong>la</strong> forma:A'A'F'( h)= C'− +h h0 12(ver ejercicio 12). Probar, por un razonamiento directo, que <strong>la</strong> nuevaconstante C’ es:A AC' = C− F( ,0) = −L L0 12Para <strong>de</strong>terminar los nuevos coeficientes A’ 0 y A’ 1 , i<strong>de</strong>ntificar <strong>la</strong>expresión <strong>de</strong> F( ,h) (Ejercicio 13, párrafo 2/), lo que da:A AA' = π −2 A2A3A' 1= 2 −2 1 20 2Mostrar, al aplicar el resultado 4/ anterior, que <strong>la</strong> varianza <strong>de</strong>estimación por galerías <strong>de</strong> longitud equidistantes <strong>de</strong> h=H/N es:2 C ' A'0A'1σEst= − −2N H HA ⎛ 1 π ⎞ A ⎛1 1 ⎞ A= − A ⎜ + ⎟+ 2 ⎜ − ⎟+N ⎝ N S ⎠ S ⎝H ⎠ S0 231 2 294
Comparar con el ejercicio 13, párrafo 5.2-10-5 Inferencia estadística para <strong>la</strong>s F.A.Ejercicio 15 (Estimación <strong>de</strong> un variograma) – Sea Y(x) una F.A.I. sobre <strong>la</strong>recta real R 1 , γ(h) su variograma. Se supone conocida una realización <strong>de</strong>Y(x) en el intervalo (0,L), y, para estimar γ(h) se forma el estimadorsiguiente:L−h* 1γ ( h) = [ Y( x+ h) −Y( x)] 2dx2( L− h)∫0a/ Probar que γ * es un estimador insesgado, es <strong>de</strong>cir E[γ * (h)]= γ(h).b/ (Lema) Sean X 1 , X 2 , X 3 y X 4 cuatro V.A. gaussianas <strong>de</strong> esperanzas nu<strong>la</strong>s.Sea σ ij <strong>la</strong> matriz <strong>de</strong> covarianzas <strong>de</strong> los X i . Probar que:E( X X X X ) = σ σ + σ σ + σ σ1 2 3 4 12 34 13 24 14 23(i<strong>de</strong>ntificar el término en u 1 u 2 u 3 u 4 <strong>de</strong> <strong>la</strong> función característica <strong>de</strong> 4<strong>variables</strong>. También se pue<strong>de</strong> admitir este lema sin <strong>de</strong>mostración y pasara<strong>de</strong><strong>la</strong>nte en el ejercicio).c/ Se supone que los incrementos <strong>de</strong> <strong>la</strong> F.A.I. Y(x) tienen leyesgaussianas (Nota: esta hipótesis tiene simplemente el objetivo <strong>de</strong>permitir el cálculo <strong>de</strong> los momentos <strong>de</strong> or<strong>de</strong>n 4). Utilizando el lema b/,establecer <strong>la</strong> re<strong>la</strong>ción:[ ] 2E ⎡⎣ Y x+ h − Y x Y y+ h − Y y ⎤⎦ = h + x− y+ h + x− y−h − x−y2 2 2( ( ) ( )) ( ( ) ( )) 4 γ ( ) 2 γ( ) γ( ) 2 γ( )y <strong>de</strong>ducir <strong>la</strong> varianza D 2 (γ * (h)) <strong>de</strong>l estimador γ * (h):L−hL−h2 * 1D ( γ ( h) ) = dx [ ( x y h) ( x y h) 2 ( x y)] 2dy22( L h)γ − + + γ − − − γ −−∫ ∫0 0(utilizar <strong>la</strong> simetría en x e y <strong>de</strong> <strong>la</strong> función a integrar)d/ Efectuar los cálculos explícitos para γ(h)=ω|h|. Para esto, mostrarque:distinguir dos casos:Para h≤L/2, queda:2 L−hx2 * 4ωD h dx h x y0 Sup(0, x−h)( γ ( )) =2[ + − ]( L− h)∫ ∫295
D⎛4 h 1 h⎝3 L−h 3( L−h)3 42 * 2( γ ( h)) = ⎜ − ω2 ⎟⎞⎠y para h>L/2,2 ( * ⎛ 1 4( ))2 2 ( ) 2 ⎞D γ h = ⎜ h + l−h − h( L−h)⎟ω2⎝ 3 3 ⎠En particu<strong>la</strong>r, para h muy pequeño, <strong>la</strong> varianza re<strong>la</strong>tiva es:( γ )2 *D ( h) 4 h≈2( γ ( h))La cual tien<strong>de</strong> a 0 con h, y, por consiguiente <strong>la</strong> inferencia estadísticaes posible en condiciones aceptables respecto <strong>de</strong>l comportamiento <strong>de</strong> γ(h)en una vecindad <strong>de</strong>l origen, a pesar <strong>de</strong> que solo se dispone <strong>de</strong> una so<strong>la</strong>realización <strong>de</strong> Y(x).Sin embargo, cuando h no es pequeño respecto <strong>de</strong> L, <strong>la</strong> varianza re<strong>la</strong>tivaes enorme y <strong>la</strong> inferencia estadística no es posible: el variogramaexperimental γ * <strong>de</strong>be “normalmente” ser consi<strong>de</strong>rablemente diferente <strong>de</strong> suesperanza γ(h). Por ejemplo, para h=L/2, <strong>la</strong> varianza re<strong>la</strong>tiva es igual a1 (es <strong>de</strong>cir enorme).Ejercicio 17 (Estimación <strong>de</strong> <strong>la</strong> varianza σ 2 (0|L). - En <strong>la</strong>s mismascondiciones que en el ejercicio anterior, se estima <strong>la</strong> varianza en L <strong>de</strong><strong>la</strong>s muestras puntuales por el estimador:3 L= 1( )L∫ ⎡ ⎣ − ⎤ ⎦L22S Y x Y dx0con:a/ Poner S 2 en <strong>la</strong> forma:YL1= Y( x)dxL∫01LLLL∫∫∫30 0 0y probar que: E(S 2 )=σ 2 (0|L).( Y ( x) −Y ( y))( Y ( x) −Y ( y ')) dxdydy 'b/ Calcu<strong>la</strong>r <strong>la</strong> varianza D 2 (S 2 ) suponiendo que los incrementos <strong>de</strong> Y(x) songaussianos. Para ello se formará S 4 que es una integral séxtuple, seutilizará el lema b/ <strong>de</strong>l ejercicio 15 para explicitar el argumento <strong>de</strong> <strong>la</strong>integral, y se mostrará que el resultado se expresa, con <strong>la</strong> ayuda <strong>de</strong> <strong>la</strong>sfunciones auxiliares χ y F en <strong>la</strong> forma siguiente:96
2 2( ) 2LL4 2 8 2 2= +2 3L∫ − γ − χL∫0 0D ( S ) 2 F( L) ( L x) ( x) dx x ( x)dxL8− xL ( −x) χ( x) χ( L−xdx)3L∫0c/ Aplicar b/ al caso en que γ(h)=ω|h|, y probar que <strong>la</strong> varianza re<strong>la</strong>tivaen S 2 es igual a 4/5 (es <strong>de</strong>cir enorme): <strong>la</strong>s fluctuaciones <strong>de</strong> <strong>la</strong> varianzaexperimental respecto <strong>de</strong> su esperanza tienen siempre una amplitud enorme.Ejercicio 17 (Seudo-covarianza) – A menudo es habitual admitir, sin unexamen profundo, que <strong>la</strong>s V.R. que se estudian pue<strong>de</strong>n ser consi<strong>de</strong>radascomo realizaciones <strong>de</strong> funciones aleatorias estacionarias <strong>de</strong> or<strong>de</strong>n 2(mientras que a menudo, un estudio más fino muestra que so<strong>la</strong>mente losincrementos <strong>de</strong> esta F.A. tienen momentos <strong>de</strong> or<strong>de</strong>n 2 – dicho <strong>de</strong> otraforma, bien a menudo, no existe <strong>la</strong> covarianza C(h), sino un variogramaγ(h)). Por otra parte, se encuentra que los procedimientos <strong>de</strong> inferenciaestadística que se utilizan, tienen, sistemáticamente, por efecto, apartir <strong>de</strong> los sesgos que implican, <strong>de</strong> hacer esta hipótesis admisible, aúncuando esta hipótesis es totalmente falsa.Nos contentaremos con mostrar este fenómeno con un ejemplo: el caso <strong>de</strong>lmovimiento browniano, con variograma γ(h)=|h|, <strong>de</strong>l cual se conoce unarealización en el intervalo (0,L). Se supone entonces que:⎧EY [ ( x+ h) − Y( x)] = 0⎪⎨12⎪ D [ Y( x+ h) − Y( x)] = | h|⎩2En <strong>la</strong> práctica usual, para estimar <strong>la</strong> hipotética covarianza C(h), que enefecto no existe en este caso, se calcu<strong>la</strong>n sucesivamente los valores(experimentales) <strong>de</strong> <strong>la</strong>s expresiones:1Y =LL∫Y( x)dx0*C ( x, y) Y( x) Y Y( y)Y( )( )= − −y se <strong>de</strong>duce <strong>la</strong> “covarianza experimental”:L−h* 1 *C ( h) = C ( x+h, x)dxL− h∫Ahora, si el variograma es γ(h)=|h|, <strong>la</strong> esperanza <strong>de</strong> C * (x,y) es:2 2* 2 x + yE ⎡⎣C ( x, y) ⎤⎦ = L + −2 Sup( x, y)3 Lpara h>0 se tiene entonces:097
2 2* 2 x + ( x+h)E⎣ ⎡C ( x, x+ h) ⎦⎤ = L+ −2x−2h3 Ly, al integrar en x, se ve que <strong>la</strong> “covarianza experimental” admite <strong>la</strong>esperanza:2* 1 4 2 hE⎣ ⎡C ( h)⎦⎤ = L− h+3 3 3 LQue es una parábo<strong>la</strong> <strong>de</strong> pendiente -4/3 en el origen. Se encontraráentonces una varianza aparente C(0)=L/3, ligada únicamente a <strong>la</strong> longitudL <strong>de</strong>l intervalo en el cual se trabaja, y que constituye un artefacto puro(porque <strong>la</strong> varianza real es infinita). Cuando no existe covarianzaestacionaria, sino so<strong>la</strong>mente un variograma lineal, los sesgos queintroduce este procedimiento <strong>de</strong> estimación, tienen como efectoproporcionar una confirmación aparente <strong>de</strong> <strong>la</strong> existencia <strong>de</strong> estacovarianza. Se observa que <strong>la</strong> estructura está profundamente <strong>de</strong>formada: noso<strong>la</strong>mente <strong>la</strong> recta se reemp<strong>la</strong>za por una parábo<strong>la</strong>, sino a<strong>de</strong>más <strong>la</strong>pendiente en el origen se encuentra afectada (4/3 en lugar <strong>de</strong> 1). ElC * (h) es un puro artefacto, y no conserva casi nada <strong>de</strong> <strong>la</strong> estructura real<strong>de</strong>l proceso.Se observará que el variograma experimental:tiene como esperanza:L−h* 12γ ( h) = [ Y( x+ h) −Y( x)]dx2( L− h)∫0E ⎡⎣γ* ( h) ⎤⎦ = γ ( h)no está afectado por el sesgo anterior, y constituye, por consiguiente,una herramienta más segura para el experimentador que <strong>la</strong> covarianza.98
CAPITULO 3EL KRIGEADO3-1 LOS OBJETIVOS DEL KRIGEADOEn términos mineros el krigeado consiste en encontrar <strong>la</strong> mejor estimaciónlineal posible <strong>de</strong> <strong>la</strong> ley <strong>de</strong> un panel, consi<strong>de</strong>rando <strong>la</strong> informacióndisponible, es <strong>de</strong>cir <strong>la</strong>s leyes <strong>de</strong> <strong>la</strong>s diferentes muestras que se hantomado, sea al interior, sea al exterior <strong>de</strong>l panel que se quiere estimar.El krigeado consiste en efectuar una pon<strong>de</strong>ración, es <strong>de</strong>cir atribuir unpeso a <strong>la</strong> ley <strong>de</strong> cada muestra, estos pesos se calcu<strong>la</strong>n <strong>de</strong> manera <strong>de</strong> hacermínima <strong>la</strong> varianza <strong>de</strong> estimación resultante, consi<strong>de</strong>rando <strong>la</strong>scaracterísticas geométricas <strong>de</strong>l problema (formas, dimensiones eimp<strong>la</strong>ntación re<strong>la</strong>tiva <strong>de</strong>l panel y <strong>de</strong> <strong>la</strong>s muestras). En grueso, como esnatural, el krigeado atribuirá pesos débiles a <strong>la</strong>s muestras alejadas, einversamente. Sin embargo esta reg<strong>la</strong> intuitiva pue<strong>de</strong> ser parcialmentepuesta en duda cuando aparecen fenómenos más complejos <strong>de</strong> efecto <strong>de</strong>pantal<strong>la</strong> y <strong>de</strong> transferencia <strong>de</strong> influencia. No es posible resolver unproblema <strong>de</strong> krigeado, es <strong>de</strong>cir calcu<strong>la</strong>r efectivamente el peso óptimo queconviene atribuir a cada muestra, sin hacer ciertas hipótesis sobre <strong>la</strong>scaracterísticas Geoestadísticas <strong>de</strong>l <strong>de</strong>pósito que se estudia, es <strong>de</strong>cir,esencialmente, <strong>de</strong> darse <strong>la</strong> función <strong>de</strong> covarianza o el variograma <strong>de</strong> <strong>la</strong>F.A. cuyas leyes puntuales se supone que constituyen una realización. Enprincipio no es necesario introducir una hipótesis estacionaria ointrínseca, y <strong>la</strong>s ecuaciones <strong>de</strong>l krigeado tienen un alcance general (en<strong>la</strong> práctica, naturalmente, es necesario comenzar por estimar <strong>la</strong>covarianza o el variograma a partir <strong>de</strong> los datos experimentales, y esaquí don<strong>de</strong> <strong>la</strong> hipótesis en cuestión encuentra su importancia). Noslimitaremos al caso <strong>de</strong> <strong>la</strong>s F.A. intrínsecas o estacionarias <strong>de</strong> or<strong>de</strong>n 2.El caso general <strong>de</strong> <strong>la</strong>s F.A. no estacionarias correspon<strong>de</strong> al krigeadouniversal.El primer interés <strong>de</strong>l krigeado <strong>de</strong>riva <strong>de</strong> su misma <strong>de</strong>finición. Alminimizar <strong>la</strong> varianza <strong>de</strong> estimación, estamos seguros <strong>de</strong> sacar el mejorpartido posible <strong>de</strong> <strong>la</strong> información disponible, o, si se prefiere, <strong>de</strong>obtener <strong>la</strong> estimación más precisa posible <strong>de</strong>l panel en estudio. Estaventaja es a menudo notable, pero no se justificaría siempre, <strong>de</strong>bido a<strong>la</strong>s complicaciones suplementarias que introduce necesariamente unapon<strong>de</strong>ración. El interés práctico más importante – <strong>de</strong> lejos – <strong>de</strong>lkrigeado, proviene, no <strong>de</strong>l hecho que asegura <strong>la</strong> mejor precisión posible,sino más bien porque permite evitar un error sistemático. En <strong>la</strong> mayoría<strong>de</strong> los yacimientos metálicos, se <strong>de</strong>ben seleccionar, para <strong>la</strong> explotación,un cierto número <strong>de</strong> paneles, consi<strong>de</strong>rados como rentables y se <strong>de</strong>benabandonar otros paneles consi<strong>de</strong>rados no-explotables. D. G. Krige hamostrado que, si esta selección fuera realizada consi<strong>de</strong>randoexclusivamente <strong>la</strong>s muestras interiores a cada panel, resultaríanecesariamente – en promedio – una sobre-estimación <strong>de</strong> los panelesseleccionados. La razón <strong>de</strong> este problema muy general es que <strong>la</strong> varianza<strong>de</strong> <strong>la</strong>s leyes reales <strong>de</strong> los paneles es siempre más débil que <strong>la</strong> varianza<strong>de</strong> los resultados <strong>de</strong> un muestreo interior. Dicho <strong>de</strong> otra manera, elhistograma <strong>de</strong> <strong>la</strong>s leyes reales <strong>de</strong> los paneles comporta menos leyesextremas (ricas o pobres) luego tiene más leyes intermedias que elhistograma <strong>de</strong>ducido <strong>de</strong> <strong>la</strong>s muestras interiores, y, si se calcu<strong>la</strong> el99
efecto <strong>de</strong> una selección sobre este último histograma, los paneleseliminados serán en realidad menos pobres que lo que se había previsto, ylos paneles conservados menos ricos.Nuestra noción <strong>de</strong> krigeado permite interpretar fácilmente este fenómeno,y corregir <strong>sus</strong> efectos. Cuando se selecciona un panel rico, <strong>la</strong> aureo<strong>la</strong> <strong>de</strong>muestras exteriores tiene, en general, una ley más débil que <strong>la</strong>s muestrasinteriores, sin embargo su influencia sobre el panel a estimar no es<strong>de</strong>spreciable porque el krigeado le atribuye un peso no nulo. Si no setoma en cuenta esta aureo<strong>la</strong> exterior, se introduce, necesariamente, unacausa <strong>de</strong> error sistemático por exceso.Para ilustrar esta noción, imaginemos un yacimiento filoniano reconocidopor dos galerías AA’ y BB’Se consi<strong>de</strong>ra que <strong>la</strong>s leyes <strong>de</strong> BB’ con explotables, mientras que <strong>la</strong>s leyes<strong>de</strong> AA’ son explotables en el segmento CC’. Si nos contentamos concalcu<strong>la</strong>r <strong>la</strong> media <strong>de</strong> <strong>la</strong>s leyes BB’ y CC’, estamos seguros <strong>de</strong> cometer unerror por exceso: porque los trozos AC y C’A’ – pobres por construcción –tienen una influencia no <strong>de</strong>spreciable sobre el trapecio BB’ CC’. Si fueraposible dibujar una frontera precisa entre mineral explotable einexplotable, en general, <strong>la</strong> frontera real, no coincidiría con <strong>la</strong>s rectasBC o B’C’, sino que sería una curva cualquiera, a menudo bastante100
irregu<strong>la</strong>r, tal como <strong>la</strong> línea complicada BDEFC. A<strong>de</strong>más en el panel ricosubsistirían enc<strong>la</strong>ves pobres y recíprocamente. En <strong>la</strong> explotaciónestaremos obligados <strong>de</strong> abandonar ciertas porciones ricas, y <strong>de</strong> tomarciertas partes pobres, y este ensuciamiento traduce <strong>de</strong> manera concreta <strong>la</strong>influencia <strong>de</strong> los trozos pobres AC y C’A’ sobre el panel rico (como setrata <strong>de</strong> un yacimiento homogéneo, y que <strong>la</strong> frontera precisa <strong>de</strong> <strong>la</strong> ley esdudosa, nosotros hab<strong>la</strong>remos <strong>de</strong> krigeado, y no <strong>de</strong> ensuciamiento.Emplearemos <strong>la</strong> pa<strong>la</strong>bra ensuciamiento en el caso en el cual los mineralesricos y pobres son geológicamente heterogéneos, y están separados por unafrontera continua, representable por una curva re<strong>la</strong>tivamente regu<strong>la</strong>r, talcomo B’D’E’C’, que, por otra parte, no tiene ninguna razón para coincidircon <strong>la</strong> recta B’C’). En este caso el krigeado conduce a pon<strong>de</strong>rar <strong>la</strong>s leyes<strong>de</strong> BB’, CC’, y <strong>de</strong> los trozos AC y C’A’ por coeficientes convenientes, queserían - por ejemplo – 60% para BB’, 27% para CC’ y 13% para los dostrozos.El efecto esencial <strong>de</strong> esta pon<strong>de</strong>ración es eliminar – en promedio – unerror sistemático por exceso, luego un error inquietante. Al consi<strong>de</strong>rareste objetivo primordial, <strong>la</strong> mejora <strong>de</strong> <strong>la</strong> precisión propiamente dicha,aparece como secundaria.Proporcionaremos ahora, algunas indicaciones acerca <strong>de</strong> <strong>la</strong> manera comoD.G. Krige formuló el problema en el comienzo <strong>de</strong> los años 50. Des<strong>de</strong> hacíatiempo, los mineros <strong>de</strong> Africa <strong>de</strong>l Sur conocían este efecto <strong>de</strong> sobreestimación<strong>de</strong> los paneles ricos, y aplicaban ciertos factores correctivosempíricos. Para encontrar estos coeficientes, KRIGE parte <strong>de</strong> <strong>la</strong> hipótesisque el muestreo está bien hecho, dicho <strong>de</strong> otra forma, que <strong>la</strong> esperanzamatemática <strong>de</strong> <strong>la</strong> ley <strong>de</strong> <strong>la</strong>s muestreas que se toman en un panel es igual a<strong>la</strong> ley media real <strong>de</strong> este panel. Si estas <strong>variables</strong> son gaussianas (enlos yacimientos <strong>de</strong> Africa <strong>de</strong>l Sur, <strong>la</strong>s leyes eran en realidadlognormales, pero esto no cambia esencialmente nada), <strong>la</strong> recta <strong>de</strong>regresión que proporciona <strong>la</strong> esperanza condicional <strong>de</strong> <strong>la</strong> muestra enfunción <strong>de</strong> <strong>la</strong> ley <strong>de</strong>l panel es entonces igual a <strong>la</strong> primera bisectriz.101
La otra recta <strong>de</strong> regresión, <strong>la</strong> que entrega <strong>la</strong> esperanza <strong>de</strong> <strong>la</strong> ley media<strong>de</strong>l panel en función <strong>de</strong> <strong>la</strong> ley <strong>de</strong> <strong>la</strong> muestra (que es <strong>la</strong> más interesante)tiene entonces una pendiente inferior a <strong>la</strong> unidad. Si <strong>la</strong> ley x <strong>de</strong> <strong>la</strong>muestra es superior a <strong>la</strong> media general m, <strong>la</strong> esperanza <strong>de</strong>l panel esentonces inferior a x, e inversamente. KRIGE corrigió este errorutilizando <strong>la</strong> ecuación:(3-1) y = m+ β ( x−m)<strong>de</strong> esta segunda recta <strong>de</strong> regresión, con un coeficiente <strong>de</strong> regresión β
• Z(x) <strong>de</strong>signa una F.A. (estacionaria o no), en general <strong>de</strong> esperanzano nu<strong>la</strong>, e Y(x) una F.A. (no necesariamente estacionaria niintrínseca) <strong>de</strong> esperanza nu<strong>la</strong>: por ejemplo, a menudo se tomará:Y( x) = Z( x) − E[ Z( x)]• Se <strong>de</strong>signará por S al conjunto <strong>de</strong> R n sobre el cual se conoceexperimentalmente <strong>la</strong> realización <strong>de</strong> <strong>la</strong> F.A. En el caso en que S esun conjunto finito, se <strong>de</strong>signará, por índices griegos, los puntosexperimentales x α , x β , ... <strong>de</strong> S, es <strong>de</strong>cir:{ , α 1,2,..., }S = x = Nα• Dependiendo <strong>de</strong>l caso, se buscará estimar, sea el valor Z(x 0 ) en unpunto x 0 que no pertenece a S, o bien el promedio (1/ V) ∫ Z( x)dx en unVdominio V diferente <strong>de</strong> S, es <strong>de</strong>cir, más generalmente (para reunirtodos los casos posibles en una escritura única) un promedio:∫ ∫( )Z0 = p( dx) Z( x) p( dx) = 1pon<strong>de</strong>rado <strong>de</strong> Z(x) por una medida p <strong>de</strong> suma unidad y <strong>de</strong> soportedisjunto <strong>de</strong> S.• Para ello se formarán estimadores lineales a partir <strong>de</strong> los datosdisponibles, que serán los Z(x), xЄS. En el caso discreto seescribirá siempre:Z = Z( x ) , ( x ∈ S)α α αanálogamente, para <strong>la</strong>s funciones f(x), C(x,y), etc., ...:f = f( x ) , C(x , x ) = Cα α α β αβEn el caso discreto, se tomará siempre <strong>la</strong> convención <strong>de</strong> suma mediante <strong>la</strong>cual se <strong>de</strong>be sumar sobre todo índice que aparezca dos veces (en general,una vez en posición inferior, o covariante, y una vez en posiciónsuperior, o contravariante). Así, se escribirá:λ α Z en vez <strong>de</strong> λα ZαLos estimadores que utilizaremos se escribirán siempre en <strong>la</strong> forma:*Z= λ α ZαEn el caso en que S es infinito, se utilizarán, para formar losestimadores, medidas con soporte en S, es <strong>de</strong>cir:∑αα103
Z*= ∫ λ( dx) Z( x)Sse escribirá, simplemente:Z*= ∫ λ( dx) Z( x)porque <strong>la</strong> medida λ, por <strong>de</strong>finición, tiene su soporte en S.Pasemos ahora a <strong>la</strong>s ecuaciones <strong>de</strong>l krigeado, distinguiendo 3 casos (F.A.<strong>de</strong> esperanza nu<strong>la</strong> o conocida; F.A. estacionaria <strong>de</strong> esperanza <strong>de</strong>sconocida;F.A. intrínseca sin <strong>de</strong>riva). En todos los casos supondremos que <strong>la</strong>covarianza o el variograma son conocidos.3.3 F.A. ESTACIONARIA DE ESPERANZA NULA O CONOCIDA A PRIORI.Sea Y(x) una F.A. <strong>de</strong> esperanza nu<strong>la</strong>, σ(x,y) su covarianza S={x α } elconjunto <strong>de</strong> los puntos experimentales, que en primer lugar supondremosfinito, Y 0 =∫p(dx)Z(x), <strong>la</strong> variable a estimar.Como estimador se va a utilizar una combinación lineal:YK=λ α KYαy <strong>de</strong>terminar los coeficientes λ α K por <strong>la</strong> condición <strong>de</strong> minimizar <strong>la</strong>esperanza <strong>de</strong> E(Y 0 -Y K ) 2 , es <strong>de</strong>cir (porque <strong>la</strong> esperanza <strong>de</strong> <strong>la</strong> F.A. es nu<strong>la</strong>)<strong>la</strong> varianza D 2 (Y 0 -Y K ). Por otra parte esta varianza es:con:2 2( 0 ) (0) 2λ σα0E Y − Y = D Y − + λ λ σα α βK K Y K K∫⎧⎪σαY = pdx ( ) σ( x, )0αx⎨2D ( Y0) = p( dx) σ ( x, y) p( dy)⎪⎩ ∫∫Al <strong>de</strong>rivar <strong>la</strong>s <strong>de</strong>rivadas parciales en λ α K <strong>de</strong> esta forma cuadrática, seobtiene el sistema:αβ(3-2)λ σ= σβK αβ αY 0Este sistema que tiene N ecuaciones y N incógnitas es regu<strong>la</strong>r y admiteuna solución única si y so<strong>la</strong>mente si <strong>la</strong> matriz <strong>de</strong> covarianzas σ αβ esestrictamente <strong>de</strong>finida positiva (luego con <strong>de</strong>terminante>0), lo cualsupondremos siempre. La varianza σ 2 K (o varianza <strong>de</strong> krigeado) <strong>de</strong> estaestimación óptima es igual al valor <strong>de</strong> <strong>la</strong> forma cuadrática E(Y 0 -Y K ) 2cuando se toma como coeficientes λ α K <strong>la</strong> solución <strong>de</strong> (3-2). Por otra parte(3-2) implica:104
λ λσ= λσα β αK K αβ K αY 0Existe entonces, en el óptimo, igualdad entre el término rectangu<strong>la</strong>r y eltérmino cuadrático, y se encuentra:(3-3)ασ = D ( Y ) − λσ α2 2K 0 K Y0En el caso <strong>de</strong>l krigeado puntual (estimación <strong>de</strong> Y(x 0 ) para un punto x 0 queno pertenece a S) el sistema se reduce a:(3-4)β⎧ ⎪λσK αβ= σ⎨⎪⎩α, x0ασ = σ −λ σ2K x0, x0 K α , x0La solución λ α K(x 0 ) <strong>de</strong>pen<strong>de</strong>, evi<strong>de</strong>ntemente <strong>de</strong> x 0 , y el estimadorcorrespondiente:αλ ( x ) = λ ( x ) YKα0 K 0es un interpo<strong>la</strong>dor exacto, en el sentido <strong>de</strong> que:Y ( ) Kxα= Yα0 0αsi x 0 viene a coincidir con un punto experimental xα ∈ S : esto se pue<strong>de</strong>0verificar directamente <strong>de</strong>l sistema (3-4), pero es evi<strong>de</strong>nte a priori queel estimador Y α0es óptimo, porque es <strong>de</strong> varianza nu<strong>la</strong>.Cuando el conjunto S es infinito, se busca estimar Y 0 por medio <strong>de</strong> unestimador <strong>de</strong> <strong>la</strong> forma:(3-5) YK= ∫ λK( dx) Y( x)y el sistema (3-2) queda:S(3-6)∫⎧ λK( dx) σ( x, y)= σy,Y∀y ∈S0⎪S⎨2 2⎪σK = D ( Y0 ) −∫λK( dx)σx,Y0⎩SPero aquí se imponen ciertas reservas. Si existe una medida λ K consoporte en S verificando (3-6), esta solución es única, y (3-5) es elestimador óptimo. Sin embargo (a menos que <strong>la</strong> covarianza sea muy regu<strong>la</strong>r,ver ejercicio 8), no siempre existe una medida λ K verificando estesistema. Se pue<strong>de</strong> <strong>de</strong>mostrar (ver [6]) que siempre existe un estimadoróptimo único Y K perteneciente al espacio <strong>de</strong> Hilbert H(S) engendrado porlos Y(x), xЄS (es <strong>de</strong>cir: límite en media cuadrática <strong>de</strong> combinacioneslineales finitas <strong>de</strong> los Y(x), xЄS), pero Y K no admite necesariamente unarepresentación <strong>de</strong> <strong>la</strong> forma (3-5) con una medida λ K .105
Se pue<strong>de</strong> ac<strong>la</strong>rar este resultado observando que los sistemas (3-4) y(3-6)pue<strong>de</strong>n escribirse como:(3-7)⎧⎪ Cov( YK− Y0, Y ( y)) = 0 ( ∀y ∈S)⎨ 2 2⎪⎩ σK= D ( Y0) −Cov( YK, Y0)Así Y K es el único elemento <strong>de</strong>l espacio <strong>de</strong> Hilbert tal que Y K -Y 0 esortogonal a todos los elementos Y Є H(S) (es <strong>de</strong>cir, con covarianza nu<strong>la</strong>con todo Y Є H). Esta propiedad caracteriza Y K como <strong>la</strong> proyecciónortogonal <strong>de</strong> Y 0 en H(S), <strong>de</strong> don<strong>de</strong> resulta <strong>la</strong> existencia y <strong>la</strong> unicidad,pero esto no implica (salvo el caso finito en que H es un espacioeuclí<strong>de</strong>o) <strong>la</strong> existencia <strong>de</strong> una representación integral <strong>de</strong> <strong>la</strong> forma (3-5)Sea ahora Z(x) una F.A. <strong>la</strong> cual admite una covarianza centrada σ(x,y) yuna esperanza constante m=E[Z(x)], no nu<strong>la</strong>, pero conocida. Llegamosinmediatamente al caso prece<strong>de</strong>nte al razonar sobre <strong>la</strong> F.A. Y(x)=Z(x)-m.El estimador óptimo es entonces:(3-8) Z = m+ λα ( Z − m)o bien:K∫KZ ( )( ( ) )K= m+ λK dx Z x −mSCon coeficientes λ α K o una medida λ K verificando los mismos sistemas (3-2)o (3-6). La varianza σ 2 K mantiene <strong>la</strong> misma expresión.α3-4 FUNCION ALEATORIA ESTACIONARIA DE ESPERANZA DESCONOCIDA.3-4-1 Las ecuaciones <strong>de</strong>l krigeado.Sea ahora Z(x) una F.A. <strong>de</strong> esperanza m constante pero <strong>de</strong>sconocida, yσ(x,y) su covarianza centrada. Se <strong>de</strong>sea estimar:Z0 = ∫ pdxZ ( ) ( x)a partir <strong>de</strong> los Z α , valores <strong>de</strong> <strong>la</strong> realización sobre un conjunto finito:{ , α 1,2,..., }S = x = Npor medio <strong>de</strong> una combinación lineal <strong>de</strong> <strong>la</strong> forma:α*Z= λ α ZαDebido a que <strong>la</strong> esperanza m no se conoce, es necesario imponer a loscoeficientes λ α <strong>la</strong> condición siguiente, l<strong>la</strong>mada condición <strong>de</strong>universalidad:106
∑(3-9) λ α = 1En efecto, <strong>la</strong> mejor combinación lineal posible es <strong>la</strong> que minimiza <strong>la</strong>esperanza <strong>de</strong> (Z 0 -Z * ) 2 . Se tiene:αEZ ( − Z) = EZ ( ) − 2 EZZ ( ) + E[( Z) ]= m − + D Z − +* 2 2 * * 20 0 02 2 2α α β(1 ∑λα ) (0) 2λσαZ λλσ0 K K αβαComo m es <strong>de</strong>sconocido, solo se pue<strong>de</strong> minimizar esta expresión cuando el<strong>la</strong>no <strong>de</strong>pen<strong>de</strong> <strong>de</strong> m, es <strong>de</strong>cir, si (3-9) se verificaTambién se pue<strong>de</strong> justificar esta condición (3-9) imponiendo al estimadorZ * <strong>la</strong> condición <strong>de</strong> ser insesgado cualquiera que sea el valor(<strong>de</strong>sconocido) <strong>de</strong> m (estimador universal). Se tiene:*EZ (0− Z)= m−m∑λαy, <strong>de</strong> nuevo, esta esperanza es nu<strong>la</strong> cualquiera que sea m si se verifica(3-9).Cuando esta condición (3-9) se verifica, E(Z 0 -Z * ) es nu<strong>la</strong>, y porconsiguiente:αEZ ( − Z) = D( Z − Z) = D( Z) − 2λ σZ+ λ λ σ* 2 2 * 2α α β0 0 0 α , 0αβExpresando que esta forma cuadrática es mínima consi<strong>de</strong>rando <strong>la</strong> condición(3-9), se obtiene el sistema siguiente don<strong>de</strong> figura un parámetro µ <strong>de</strong>Lagrange:(3-10)⎧ = +βλ σαβσα , Zµ⎪0⎨ αλ = 1⎪ ∑ ⎩ αAl multiplicar <strong>la</strong> primera ecuación por λ α y teniendo en cuenta <strong>la</strong>segunda, se encuentra:∑λ λσ = λσ + µ λ = λσ + µα β α α ααβ α αα, Z0 , Z0De don<strong>de</strong> se obtiene <strong>la</strong> expresión <strong>de</strong> <strong>la</strong> varianza <strong>de</strong>l krigeado, <strong>la</strong> cualhace intervenir el parámetro <strong>de</strong> Lagrange:(3-10’)2 * 2αD ( Z − Z0) = D ( Z0 ) + µ − λ σ α , Z0En el caso <strong>de</strong>l krigeado puntual <strong>de</strong> un punto x 0 , este sistema queda:107
(3-11)⎧ β⎪λσαβ= σα , x+ µ0⎪ α⎨∑λ = 1⎪ α⎪⎩( − ) = σ + µ −λ σ2 *αD Z Z0 xx 0 0 α , x0También se verifica directamente que el krigeado puntual es uninterpo<strong>la</strong>dor exacto.Se <strong>de</strong>muestra que el sistema (3-10) es siempre regu<strong>la</strong>r. En el casocontinuo, existe siempre un elemento único Z * Є H(S), límite en mediacuadrática <strong>de</strong> combinaciones lineales finitas, <strong>la</strong>s cuales verifican <strong>la</strong>condición (3-9), y tal que se tiene:Cov Z − Z Z y = ∀y ∈ S*(0, ( )) 0Este elemento único es <strong>la</strong> proyección <strong>de</strong> Z 0 en <strong>la</strong> variedad lineal cerrada<strong>de</strong>finida en H(S) por <strong>la</strong> condición <strong>de</strong> universalidad, luego el estimadoróptimo Z * existe y es único. Aquí también Z * no admite necesariamente unarepresentación <strong>de</strong> <strong>la</strong> forma λ( dx) Z( x)con una medida λ <strong>la</strong> cual verifica:∫S(3-12)∫⎧ λ( dx) σ( x, y)= σyZ ,+ µ ∀y ∈S0⎪S⎨⎪∫λ( dx) = 1⎩ SPero, si se pue<strong>de</strong> encontrar una medida λ <strong>la</strong> cual verifica (3-12),entonces:Z*= ∫ λ( dx) Z( x)es <strong>la</strong> única solución <strong>de</strong>l problema.3-4-2 La estimación óptima <strong>de</strong> m.En lugar <strong>de</strong> estimar una media espacial <strong>de</strong>l tipo pdxZx ( ) ( ), se pue<strong>de</strong>también buscar estimar <strong>la</strong> misma esperanza matemática m=E[Z(x)].Formaremos el estimador óptimo m * <strong>de</strong> m, y, en el párrafo siguiente, nospreguntaremos acerca <strong>de</strong> <strong>la</strong> re<strong>la</strong>ción entre m * y Z * . Nos limitaremos al casoen que S es finito, <strong>la</strong> extensión al caso infinito se pue<strong>de</strong> hacerenseguida sin dificultad, con <strong>la</strong>s reservas <strong>de</strong> uso respecto <strong>de</strong> <strong>la</strong>existencia <strong>de</strong> una representación <strong>de</strong> nuestros estimadores por medio <strong>de</strong>medidas con soporte en S.Para estimar m, se forma una combinación lineal:m*=λ α 0Zα∫108
Se impone a los coeficientes λ α 0 <strong>la</strong> condición <strong>de</strong> universalidad:∑αλ =α01Que expresa que m * es insesgado cualquiera que sea el valor <strong>de</strong>sconocido<strong>de</strong> m, y se eligen los coeficientes λ α 0 que minimizan D 2 (m * )=E(m-m * )consi<strong>de</strong>rando esta condición. De <strong>la</strong> re<strong>la</strong>ción:2 *D ( m− m ) = λ λσ αβα β0 0se <strong>de</strong>duce que los λ α 0 constituyen <strong>la</strong> única solución <strong>de</strong>l sistema siguiente,don<strong>de</strong> figura un parámetro <strong>de</strong> Lagrange µ 0 :(3-13)⎧ λ σ = µβ0 αβ 0⎪⎨ αλ0 = 1⎪ ∑ ⎩ αEn el óptimo se encuentra que:∑λ λσ = µ λ = µα β α0 0 αβ 0 0 0α<strong>de</strong> manera que el parámetro <strong>de</strong> Lagrange µ 0 es igual a <strong>la</strong> varianza <strong>de</strong>lestimador óptimo:(3-13’)2 *D ( m ) = µ03-4-3 El teorema <strong>de</strong> aditividad.Al final <strong>de</strong>l párrafo (3-3), hemos indicado cómo formar el estimadoróptimo cuando <strong>la</strong> esperanza m no es nu<strong>la</strong> pero es conocida: se calcu<strong>la</strong>n loscoeficientes λ α K óptimos <strong>de</strong>l caso m=0, y se efectúa <strong>la</strong> corrección, muysimple, que consiste en reemp<strong>la</strong>zar Y(x) por Z(x)-m, es <strong>de</strong>cir:α(3-8) Z = m+ λ ( Z − m)KProbemos que el estimador óptimo Z * <strong>de</strong>l caso en que m no es conocida(párrafo 3-4-1) y el estimador óptimo m * <strong>de</strong> m, están re<strong>la</strong>cionados por <strong>la</strong>re<strong>la</strong>ción siguiente (muy simi<strong>la</strong>r a (3-8)):Kα(3-14)Z = m + λ ( Z − m )* * α*KK αcon los mismos coeficientes λ α K, solución <strong>de</strong>l sistema (3-2). Este resultadosignifica que se pue<strong>de</strong> krigear como si m fuera conocida, con <strong>la</strong> condición<strong>de</strong> reemp<strong>la</strong>zar el valor <strong>de</strong>sconocido <strong>de</strong> m por su estimador óptimo m * .En efecto, consi<strong>de</strong>remos el segundo miembro <strong>de</strong> (3-14):109
* α *⎡α α β⎤m + λK( Zα− m ) = ⎢λK + λ0(1 −∑λK)⎥ Z⎣β ⎦αLas cantida<strong>de</strong>s:λ ' = λ + λ (1 −∑ λ )α α α βK 0Kβverifican <strong>la</strong> condición <strong>de</strong> universalidad, porque:∑⎛ ⎞λ' = λ + λ 1− λ ⎟=1⎝ ⎠∑ ∑ ∑ ∑α α α βK 0 ⎜Kα α α βal consi<strong>de</strong>rar λ α0= 1 (sistema (3-13)). Formemos ahora <strong>la</strong> expresión:Según (3-2) y (3-13), queda:αλ ' σ λ σ ⎛ ⎞= + 1 −∑λ ) λ σ⎝ ⎠β β γ βαβ K αβ ⎜K ⎟ 0 αβγβγλ ' σαβσ ⎛ ⎞=α , Z+ ⎜1 − λ )0∑ K ⎟µ0⎝ γ ⎠Luego, los λ’ β verifican bien <strong>la</strong> primera re<strong>la</strong>ción (3-11), con elparámetro <strong>de</strong> Lagrangeγ(3-15) µ ⎛ ⎞= ⎜1 −∑λK) ⎟µ0⎝ γ ⎠Según <strong>la</strong> unicidad <strong>de</strong> <strong>la</strong> solución, se tiene bien λ’ αecuación (3-14) es válida.= λ α , luego <strong>la</strong>En lo que respectan <strong>la</strong>s varianzas, se tiene igualmente un teorema <strong>de</strong>aditividad. En efecto, según (3-14) se tiene:Z − Z = ( λ Z − Z ) + (1 −∑ λ ) m* αβ *0 K α 0KβαPor otra parte, el sistema (3-2) expresa precisamente que λ Z ZK α−0está encorre<strong>la</strong>ción nu<strong>la</strong> con todos los Z β , luego también con <strong>sus</strong> combinacioneslineales, y, en particu<strong>la</strong>r, con m * . Se tiene, entonces:es <strong>de</strong>cir:D ( Z − Z ) = D ( λ Z − Z ) + (1 −∑ λ ) D ( m )2 * 2 αβ 2 2 *0 K α 0Kβ110
(3-16)D ( Z − Z ) = σ + (1 −∑ λ ) D ( m )2 * 2 β 2 2 *0 KKβEl primer término es <strong>la</strong> varianza σ 2 K <strong>de</strong>l krigeado cuando m es <strong>de</strong>sconocido.El segundo proporciona una medida exacta <strong>de</strong> <strong>la</strong> pérdida <strong>de</strong> información quese tiene, re<strong>la</strong>tivo a Z 0 , cuando no se conoce el verda<strong>de</strong>ro valor <strong>de</strong> m.3-5 CASO DE UNA F.A.I. SIN COVARIANZA.Sea ahora Z(x) una F.A.I. sin <strong>de</strong>riva, con variograma γ pero no existe <strong>la</strong>covarianza. Para estimar:buscaremos una combinación linealtal que:Z0 = ∫ pdxZ ( ) ( x)con pdx ( ) = 1*Z= λ α Zα• a/ el error Z * -Z 0 sea una combinación lineal autorizada (párrafo 2-2-1), es <strong>de</strong>cir su varianza es finita.• b/ tal que esta varianza <strong>de</strong> estimación sea mínima.La condición a/ proporciona:∑α∫αλ − pdx ( ) = 0es <strong>de</strong>cir <strong>la</strong> misma condición <strong>de</strong> universalidad que en el párrafo anterior:∑ααλ = 1Cuando esta condición se verifica, según el mecanismo <strong>de</strong> cálculo <strong>de</strong>lpárrafo (2-2-1) que se pue<strong>de</strong> calcu<strong>la</strong>r <strong>la</strong> varianza <strong>de</strong> Z * -Z 0 como siexistiera una covarianza igual a –γ. Se pue<strong>de</strong> entonces, transponerdirectamente el sistema (3-11): los coeficientes λ α <strong>de</strong>l estimador óptimoconstituyen <strong>la</strong> única solución <strong>de</strong>l sistema:∫(3-17)∫β⎧ λ γαβ= pdx ( ) γ ( xx ,α) − µ⎪⎨ α⎪∑λ= 1⎩ αy <strong>la</strong> varianza σ 2 K correspondiente es:∫∫ ∫2ασ =− γ + µ + λ γKp( dx) ( x, y) p( dy) p( dx) ( x, xα)111
En el caso continuo (con <strong>la</strong>s restricciones <strong>de</strong> uso respecto <strong>de</strong> <strong>la</strong>existencia <strong>de</strong> una representación <strong>de</strong> Z * mediante una medida) se tiene,análogamente:(3-18)∫∫⎧ λ( dx) γ( x, y) = p( dx) γ ( x, y)− µ⎪S⎪⎨∫λ( dx) = 1⎪ S⎪ 2σK=− pγ p+ µ +⎪⎩ ∫ ∫ pγλFinalmente, en el caso puntual, se obtiene también un interpo<strong>la</strong>dorexacto.Observación – Sea λ α (x 0 ) <strong>la</strong> solución <strong>de</strong>l krigeado en el punto x 0 :(3-19)⎧ βλ ( x0) γαβ= γ ( x0, xα) −µ( x0)⎪ α⎨∑λ ( x0) = 1⎪ α⎪ 2( ) ( ) α⎩σ ( ) ( , )Kx0 = µ x0 + λ x0 γ x0xαsegún el carácter lineal <strong>de</strong> los segundos miembros <strong>de</strong> (3-17), <strong>la</strong> solución<strong>de</strong>l krigeado <strong>de</strong>es:∫ p( dx) Z( x)ααλ = ∫ p( dx) λ ( x)Hay superposición, o combinación lineal <strong>de</strong> los krigeados puntuales: estare<strong>la</strong>ción se extien<strong>de</strong> también al parámetro <strong>de</strong> Lagrange:µ = ∫ p( dx) µ ( x)Sin embargo <strong>la</strong> varianza (3-17’) no se obtiene por una combinación lineal<strong>de</strong> <strong>la</strong>s varianzas σ 2 K(x 0 ) <strong>de</strong> los krigeados puntuales.3-6 EJERCICIOS SOBRE EL KRIGEADO.Ejercicio 1 (Krigeado <strong>de</strong> un segmento <strong>de</strong> longitud l) a/ Se tiene en <strong>la</strong>recta una F.A.I sin <strong>de</strong>riva cuyo variograma es γ(h) y cuatro puntos <strong>de</strong>muestreo: x 1 , x 2 =x 1 +l, x 3 =x 2 +l, x 4 =x 3 +l. Se <strong>de</strong>sea krigear el segmento(x 2 ,x 3 ) <strong>de</strong> longitud l a partir <strong>de</strong> los valores Z 1 , Z 2 , Z 3 , Z 4 <strong>de</strong> <strong>la</strong>realización en x 1 , x 2 , x 3 , x 4 . Escribir el sistema (3-17) utilizando <strong>la</strong>sfunciones auxiliares χ y F <strong>de</strong>l párrafo 2-5-2.(Solución: probar que λ 1 = λ 4 = λ/2, λ 2 = λ 3 = (1-λ)/2, lo cual es evi<strong>de</strong>ntepor simetría, con λ solución <strong>de</strong>l sistema:112
λ 1−λ λγ() l + γ() l + γ(2) l = χ () l + µ2 2 21−λ 1−λ λγ () l + γ(2) l + γ(3) l = 2 χ(2) l − χ () l + µ2 2 2y eliminar el parámetro <strong>de</strong> Lagrange µ, <strong>de</strong> don<strong>de</strong>:⎡1 1 ⎤1λ⎢γ(3) l −γ(2) l − γ() l = 2 χ(2) l −2 χ() l − γ(2)l2 2 ⎥⎣⎦2b/ Aplicar al caso γ(h)=|h| α , 0 ≤ α < 2 , e interpretar.(Solución: utilizar el ejercicio 5 <strong>de</strong>l capítulo 2. Se encuentra:α 4 α2 − (2 −1)= α + 1+ −λα+1 α1 2 3Para α=0, λ=1/2 (efecto <strong>de</strong> pepita puro, el estimador óptimo es <strong>la</strong> mediaaritmética <strong>de</strong> <strong>la</strong>s 4 muestras). Cuando α aumenta, λ <strong>de</strong>crece, se anu<strong>la</strong> paraα=1 (propiedad markoviana <strong>de</strong>l variograma lineal) y es negativo para1
Sean Z M y Z T <strong>la</strong>s leyes medias <strong>de</strong> <strong>la</strong>s líneas, sea Z <strong>la</strong> ley media <strong>de</strong>sconocida<strong>de</strong>l yacimiento y sean σ 2 T = D 2 (Z-Z T ) y σ 2 M = D 2 (Z-Z M ) <strong>la</strong>s varianzas <strong>de</strong>estimación <strong>de</strong>l yacimiento por <strong>la</strong>s so<strong>la</strong>s líneas horizontales y <strong>la</strong>s so<strong>la</strong>slíneas verticales respectivamente. Se admite que (lo cual es verda<strong>de</strong>rocon una buena aproximación) E[(Z-Z M )(Z-Z T )]=0.a/ Probar que el estimador óptimo (krigeado) <strong>de</strong> Z es Z * =λZ M +(1-λ)Z T con:σλ =σ2T2 2T+ σM(pon<strong>de</strong>ración por el inverso <strong>de</strong> <strong>la</strong>s varianzas <strong>de</strong> estimación respectivas) yque <strong>la</strong> varianza correspondiente es:σ σσ2 2M T2 2T+ σM(Solución: los pon<strong>de</strong>radores son <strong>de</strong> <strong>la</strong> forma λ y 1-λ <strong>de</strong>bido a <strong>la</strong> condición<strong>de</strong> universalidad. Partir luego <strong>de</strong>:y minimizar en λ.D ( Z − Z ) = D [ λ( Z − Z ) + (1 −λ)( Z − Z )] = λ σ + (1 − λ)σ2 * 2 2 2 2 2M T M TEjercicio 3 (Propiedad markoviana <strong>de</strong> <strong>la</strong> covarianza exponencial y <strong>de</strong>lvariograma lineal).Este ejercicio preparatorio será <strong>de</strong> utilidad para <strong>la</strong> comprensión <strong>de</strong> losejercicios siguientes.a/ Una F.A. Z(x) en <strong>la</strong> recta real es markoviana si, para todo x 0 , losZ(x), x>x 0 y los Z(x’) son condicionalmente in<strong>de</strong>pendientes a Z(x 0 ) fijo.Probar que una F.A. estacionaria <strong>de</strong> or<strong>de</strong>n 2 con ley gaussiana esmarkoviana si y solo si su covarianza centrada es <strong>de</strong> <strong>la</strong> forma C(h)=Ce -a|h| .[Dos variable gaussianas son in<strong>de</strong>pendientes cuando su coeficiente <strong>de</strong>corre<strong>la</strong>ción es nulo. Si X 1 , X 2 , X 3 son gaussianas, el coeficiente <strong>de</strong>corre<strong>la</strong>ción <strong>de</strong> X 1 y X 3 con X 2 fijo es:ρ − ρ ρ13 12 232 2( 1−ρ12 )( 1−ρ23)Deducir que <strong>la</strong> F.A. es markoviana si y solo si C(h+h’)=C(h)C(h’) (h, h’positivos)]b/ Sea Z(x) una F.A.I. en <strong>la</strong> recta real. Se dice que Z(x) es aincrementos in<strong>de</strong>pendientes si los Z(x i )-Z(y i ) son in<strong>de</strong>pendientes cuandolos intervalos (y i ,x i ) son disjuntos o tienen un punto en común. Probarque una F.A.I. cuyos incrementos son gaussianos es a incrementosin<strong>de</strong>pendientes si y solo si su variograma es lineal (<strong>la</strong> F.A.I. constituyeentonces un proceso <strong>de</strong> Wiener-Lévy, o proceso <strong>de</strong>l movimiento browniano).[Solución: un cálculo muy simple muestra que los incrementos son sincorre<strong>la</strong>ción si y solo si el variograma es lineal).114
Ejercicio 4 (covarianza exponencial, caso continuo) – a/ Sea, en <strong>la</strong>recta, una F.A. Y(x) <strong>de</strong> esperanza nu<strong>la</strong> y sea C(h)=e -a|h| su covarianza. Seconoce <strong>la</strong> realización <strong>de</strong> Y(x) en el intervalo (-R,R). Krigear el puntox 0 =R+h (h>0).[Solución: si Y(x) es gaussiana, se <strong>de</strong>duce <strong>de</strong> <strong>la</strong> propiedad markoviana <strong>de</strong>lejercicio 3 que el estimador óptimo es e -a|h| Y(R) con <strong>la</strong> varianza 1-e -2a|h| .Esta propiedad, ligada exclusivamente a <strong>la</strong> covarianza permanece válida siY(x) no es gaussiana. Se verificará directamente que <strong>la</strong> medida λ K =e -a|h| δ R(δ R = Dirac localizada en el punto R)es efectivamente <strong>la</strong> solución <strong>de</strong> (3-6) para todo y≤R, y se calcu<strong>la</strong>rá directamente σ 2 K].b/ Sea en <strong>la</strong> recta una F.A. <strong>de</strong> esperanza m <strong>de</strong>sconocida y sea C(h)=e -a|h| sucovarianza centrada. Probar que el estimador óptimo m * <strong>de</strong> m (cuando <strong>la</strong>realización es conocida en (-R,R)) verifica:R* ar 1 ZR+ Z−R1m = Z + Z = Z x dx2 * 1D ( m ) =1 + ar(1+ ar 1+ar 2 2R∫−R( ) )[Solución: establecer <strong>la</strong>s re<strong>la</strong>ciones:y:R∫−R<strong>de</strong>ducir que <strong>la</strong> medida:1 ( δ δ )−ax | −y|−arR+−R e = e cosh ( ay )2∫−ax | −y| 2 2 −are dx= − e cosh( ay) - R≤ y≤Ra a1λ0 = ν01 + aRes <strong>la</strong> solución buscada, con el parámetro <strong>de</strong> Lagrange:D ( m )11 ar2 *µ0= = ]+c/ En <strong>la</strong>s mismas condiciones que en b/, krigear el punto x 0 =R+h (h>0),aplicando el teorema <strong>de</strong> aditividad.[Solución:Z = e Z + (1 −e ) m* −ah| | −ah| | *R2 * −2 ah | | (1 − e )D ( Zx− Z ) = 1− e +01+aR−ah| | 2]115
Ejercicio 5 (covarianza exponencial, caso discreto) a/ Sea, en <strong>la</strong> recta,Y(x) una F.A. <strong>de</strong> esperanza nu<strong>la</strong> y <strong>de</strong> covarianza estacionaria C(h)=e -a|h| .Se conoce <strong>la</strong> realización en los n+1 puntos <strong>de</strong> abscisa 0, 1, 2, ..., n.Formar el krigeado puntual <strong>de</strong>l punto x 0 =i+ε (0
x −x x −xY ( x ) = Y( x ) + Y( x ) x ≤ x ≤ x* 2 0 0 10 1 2 1 0 2x2 −x1 x2 −x1( x −x )( x −x)σ = 22 2 0 0 1Kx2 − x1[Solución: <strong>la</strong> propiedad markoviana sugiere que <strong>la</strong> solución es <strong>de</strong>l tipoλY 1 +(1-λ)Y 2 . Mostrar que con λ=(x 2 -x 0 )/(x 2 -x 1 ) (interpo<strong>la</strong>ción lineal entrelos dos puntos más cercanos conocidos) <strong>la</strong> medida:ν = λδ + (1 − λ)δx1 x2verifica:∫ν ( dx) | x − y | = | x − y | y ≤ x o y ≥ x0 1para y0): para ello:a/ Establecer <strong>la</strong>s re<strong>la</strong>ciones:con:R∫−RR∫−R2R2| x − y| coshaxdx ( ) = senhaR ( ) + coshay ( )2aa2R2| x − y| senhaxdx ( ) =− coshaR ( ) + senhay ( )2aaa =2CDeducir que:R−RR−Rb/ Mostrar que <strong>la</strong> función:∫∫2R| x − y | dx − C ( dx) cosh( ax) = senh( aR)ya( δ )2R| x − y | dx − C ( dx) senh( ax) =− cosh( aR)ya( δ )117
asenh( ax) acosh( ax)λ ( x)= +2 cosh( aR) 2 senh( aR)verifica el sistema:R∫−RR∫−Rλ( xdx ) = 1Deducir que el estimador óptimo es:(| x − y| dx− Cδ( dx)) λ( x)=− y+RR*Z ( x0) = ∫ λ( x) Z( x)dx−Rcon el parámetro <strong>de</strong> Lagrange µ=x 0 -R=h y <strong>la</strong> varianza:σK= 2 h+cosh( aR)a2 1[observar que <strong>la</strong> presencia <strong>de</strong> un efecto <strong>de</strong> pepita ha hecho <strong>de</strong>saparecer <strong>la</strong>propiedad <strong>de</strong> Markov. La <strong>de</strong>nsidad λ(x) atribuye pesos positivos a todas<strong>la</strong>s muestras. Se dice que el efecto <strong>de</strong> pepita levanta <strong>la</strong>s pantal<strong>la</strong>s].Ejercicio 8 (exponencial <strong>de</strong> Gauss) – Cuando <strong>la</strong> covarianza es muy regu<strong>la</strong>r,pue<strong>de</strong> suce<strong>de</strong>r que <strong>la</strong> solución <strong>de</strong>l krigeado no sea representable por unamedida. Por ejemplo, consi<strong>de</strong>remos sobre <strong>la</strong> recta una F.A. estacionaria <strong>la</strong>cual admite <strong>la</strong> covarianza C(h)=exp(-h 2 /2) y una esperanza nu<strong>la</strong>. Se <strong>de</strong>seakrigear el punto x 0 =R+h, conociendo <strong>la</strong> realización en (-R,R). Si elestimador óptimo tiene una representación <strong>de</strong>l tipo:YKR= ∫ λ( dx) Y( x)−Rentonces <strong>la</strong> medida λ verifica:22R ( x−y)( x0− y)−−2 2∫−Rλ( dx) e = e ∀y ∈( −R, R)Probar que no pue<strong>de</strong> existir una medida λ que verifique esta re<strong>la</strong>ción.[Solución: <strong>la</strong> medida:2x−2ν ( dx) = e λ( dx)<strong>de</strong>bería verificar <strong>la</strong> ecuación:118
R∫−Rxye ν ( dx)= e2x0− + xy 02Según <strong>la</strong>s propieda<strong>de</strong>s <strong>de</strong> <strong>la</strong> transformada <strong>de</strong> Lap<strong>la</strong>ce, <strong>la</strong> única medida queverifica esta ecuación es:2− x0/2e δ x0pero su soporte no está en (-R,R)].Ejercicio 9 (krigeado en <strong>la</strong>s gran<strong>de</strong>s mal<strong>la</strong>s) (ver ejercicios 12 a 14 <strong>de</strong>lcapítulo 2) – Se <strong>de</strong>sea krigear una superficie S con <strong>la</strong> ayuda <strong>de</strong> n+kmuestras, <strong>de</strong> <strong>la</strong>s cuales k fueron tomadas al interior <strong>de</strong> S y n alexterior. Se supone que <strong>la</strong>s distancias entre dos muestras distintas y <strong>la</strong>distancia entre cada muestra a <strong>la</strong> frontera <strong>de</strong> S son todas mayores que e<strong>la</strong>lcance. Las notaciones son <strong>la</strong>s mismas que <strong>la</strong> <strong>de</strong> los ejercicios 12 a 14<strong>de</strong>l capítulo 2.a/ Escribir <strong>la</strong>s ecuaciones <strong>de</strong>l krigeado. Probar que estas se reducen a:Cλ = σ + µ∑iSiλ = 1icon σ Si =0 para <strong>la</strong>s muestras exteriores y σ Si =πA 1 /S para <strong>la</strong>s muestrasinteriores.Deducir que <strong>la</strong>s k muestras interiores tienen el mismo peso λ y <strong>la</strong>s nmuestras exteriores el mismo peso λ’, con:1 n A1λ = + πn+ k n+k CS1 k A1λ'= − πn+ k n+k CSb/ Calcu<strong>la</strong>r <strong>la</strong> varianza <strong>de</strong> este krigeado.[Solución:2 2k π A1 nk A11 CσK= C−F( S)− − ⎛⎜π⎞⎟ +n+ k S n+ k ⎝ S ⎠ C n+ken particu<strong>la</strong>r, si S es gran<strong>de</strong>, se tiene <strong>la</strong> fórmu<strong>la</strong> aproximada:22 C n−k A1σK≈ + πn+ k n+k S]c/ Comparar estos resultados con <strong>la</strong> fórmu<strong>la</strong> (3-1) <strong>de</strong>l párrafo 3-1, yprobar que, en el caso <strong>de</strong> <strong>la</strong>s gran<strong>de</strong>s mal<strong>la</strong>s, el estimador óptimo es119
idéntico al que KRIGE obtuvo originalmente por su método <strong>de</strong> regresiónlineal.[Solución: el coeficiente <strong>de</strong> regresión es:σ C−F( S)k π A1β = = =σ C/k C S2y2xCuando m es conocido, el estimador óptimo es idéntico al que proporciona<strong>la</strong> regresión lineal:1ZK= m+ β ⎛⎜ ∑ Xi−m⎞k⎟⎝ i ⎠siendo X i <strong>la</strong>s leyes <strong>de</strong> <strong>la</strong>s muestras interiores. Según (3-4-3) se <strong>de</strong>betomar:con:*Z = m + β ⎛⎜ ∑ Xi−m⎞k⎟⎝ i ⎠* * 1* 1 ⎛⎞m = ⎜∑ Xi+ ∑ Yj⎟n+ k ⎝ ij ⎠(Y j son <strong>la</strong>s muestras exteriores). Se encuentra así λ y λ’.d/ Calcu<strong>la</strong>r <strong>la</strong> varianza a partir <strong>de</strong>l teorema <strong>de</strong> aditividad:[Solución: si m es conocido, <strong>la</strong> varianza es:Probar que:Se <strong>de</strong>ducirá entonces que:σ (1 − ρ )2 2y2 k A1ρ = β = πC S2 2 2 2 * A12 CσK= σy(1 − β) + (1 − β) D ( m ) = (1 − β) π + (1 −β)S n+ky se verificará que este resultado es idéntico al <strong>de</strong>l párrafo b/].120
CAPITULO 4EL KRIGEADO UNIVERSAL4-1 INTRODUCCION4-1-1 Crítica <strong>de</strong> los métodos <strong>de</strong> mínimos cuadrados.Nos proponemos, en lo que sigue, <strong>de</strong> formu<strong>la</strong>r, en términos <strong>de</strong> funcionesaleatorias no estacionarias el problema <strong>de</strong> <strong>la</strong> estimación <strong>de</strong> <strong>la</strong>s <strong>de</strong>rivas 12(o ten<strong>de</strong>ncias), y <strong>de</strong>mostrar que el problema admite una solución óptima,bastante diferente <strong>de</strong> <strong>la</strong>s soluciones propuestas por los métodos l<strong>la</strong>mados“trend surface analysis”: estos últimos, que consisten, en general, enajustar un polinomio por el método <strong>de</strong> los mínimos cuadrados, proporcionanuna sensación <strong>de</strong> incomodidad: en efecto, se tiene <strong>la</strong> impresión <strong>de</strong>violentar <strong>la</strong> naturaleza, imponiéndole a <strong>la</strong> fuerza una expresiónpolinómica, <strong>la</strong> cual no tiene ninguna razón a priori <strong>de</strong> presentar unamínima re<strong>la</strong>ción con <strong>la</strong> estructura real <strong>de</strong>l fenómeno que se quiererepresentar. De una manera más precisa, haremos tres reprochesprincipales a estos métodos <strong>de</strong> mínimos cuadrados:En primer lugar, estos métodos implican a menudo una confusión <strong>de</strong> tipooperativo y conceptual. Pocos autores se dan el trabajo <strong>de</strong> <strong>de</strong>finir <strong>la</strong>significación <strong>de</strong> este “trend” que ellos estiman por un método <strong>de</strong> mínimoscuadrados. Se tiene a menudo <strong>la</strong> impresión que este famoso trend no es másni menos el resultado numérico al cual conduce un modo operativo – es<strong>de</strong>cir, quizás, un puro y simple artefacto – Analizando, parece que eltérmino poco c<strong>la</strong>ro <strong>de</strong> “trend” se refiere, uno <strong>de</strong>spués <strong>de</strong> otro, y, a vecessimultáneamente en un mismo contexto, a tres nociones bien distintas, porlo menos: si Z(x) es <strong>la</strong> variable regionalizada <strong>de</strong> interés, y P(x) elpolinomio ajustado por mínimos cuadrados a partir <strong>de</strong> valoresexperimentales en los puntos x 1 , x 2 , ..., se pue<strong>de</strong> atribuir al valor en x<strong>de</strong> P(x) una <strong>de</strong> <strong>la</strong>s significaciones incompatibles siguientes:a/ P(x) es (una estimación <strong>de</strong>) <strong>la</strong> esperanza a priori E(Z(x)): estesentido a/ es el que siempre daremos al término “<strong>de</strong>riva”.b/ P(x) es una estimación <strong>de</strong>l verda<strong>de</strong>ro valor (<strong>de</strong>sconocido) Z(x) tomadopor <strong>la</strong> variable regionalizada en el punto x: este sentido b/ que seasocia a nuestro término “krigeado puntual”. Más precisamente, elkrigeado puntual será el mejor estimador lineal <strong>de</strong> Z(x) construido apartir <strong>de</strong> los datos disponibles Z(x 1 ), Z(x 2 ), ...c/ Finalmente, se atribuye a veces a P(x) el sentido <strong>de</strong> una “mediamóvil”. P(x 0 ) sería entonces (una estimación) <strong>de</strong>l valor medio <strong>de</strong> Z(x) enuna zona más o menos gran<strong>de</strong> (a precisar) <strong>la</strong> cual contiene el punto x 0 . Ennuestra terminología, el krigeado <strong>de</strong>signará el mejor estimador lineal <strong>de</strong>esta media móvil.Estas distinciones tienen una gran importancia teórica y práctica. Esesencial <strong>de</strong>finir con precisión el objetivo que se <strong>de</strong>sea (a/ b/ o c/). Encartografía submarina, son los valores verda<strong>de</strong>ros Z(x) que hay que2 Para evitar cualquier antropomorfismo, utilizaremos siempre el término“<strong>de</strong>riva” en lugar <strong>de</strong> “ten<strong>de</strong>ncia”, o “trend”.121
estimar y cartografiar (caso b/). En una explotación minera, el interésestá en <strong>la</strong> ley media <strong>de</strong> un panel <strong>de</strong> tamaño dado (caso c/). Finalmente, enciertos estudios <strong>de</strong> carácter más fundamental, se busca reconstituir losmecanismos generales que han dado nacimiento al fenómeno que se estudia,es en <strong>la</strong> <strong>de</strong>riva misma (caso a/) en <strong>la</strong> cual se espera encontrar un reflejo<strong>de</strong> <strong>la</strong> estructura <strong>de</strong> estos mecanismos. En geofísica, por ejemplo, <strong>la</strong>noción <strong>de</strong> anomalía regional, correspon<strong>de</strong> a nuestra noción <strong>de</strong> <strong>de</strong>riva.Llegamos así al segundo cuestionamiento que se pue<strong>de</strong> formu<strong>la</strong>r a losmétodos <strong>de</strong> mínimos cuadrados. No es posible que el mismo polinomioresuelva a <strong>la</strong> vez los tres problemas a/ b/ y c/. Veremos que P(x)constituye, en efecto, una solución <strong>de</strong>l problema a/. Pero, en general, noes <strong>la</strong> mejor solución posible: estos métodos “l<strong>la</strong>ve maestra” que utilizansiempre los mismos polinomios, cualesquiera que sean <strong>la</strong>s característicasestructurales <strong>de</strong>l fenómeno que se estudia, tienen poca chance, engeneral, <strong>de</strong> conducir a un óptimo.Finalmente, en tercer lugar, los métodos <strong>de</strong> mínimos cuadrados no permiten<strong>de</strong> ninguna manera evaluar el error que se comete al estimar <strong>la</strong> <strong>de</strong>riva con<strong>la</strong> ayuda <strong>de</strong> un polinomio P(x). La varianza <strong>de</strong> los residuos,contrariamente a lo que se cree a veces, no es una varianza <strong>de</strong>estimación: <strong>la</strong> varianza <strong>de</strong> <strong>la</strong>s <strong>de</strong>sviaciones Z(x i )-P(x i ) en los puntos x ien los cuales <strong>la</strong> realidad es conocida, es, por construcción,sistemáticamente más débil (en realidad bastante más débil) que <strong>la</strong>varianza <strong>de</strong> <strong>la</strong> <strong>de</strong>sviación Z(x)-P(x) en un punto x diferente <strong>de</strong> los x i .Luego, <strong>la</strong> varianza <strong>de</strong> los residuos no es <strong>la</strong> varianza <strong>de</strong> estimación <strong>de</strong>Z(x) (problema b/). Tampoco es <strong>la</strong> varianza <strong>de</strong> estimación <strong>de</strong> <strong>la</strong> <strong>de</strong>riva(problema a/), porque esta vez no hay ninguna re<strong>la</strong>ción conceptual entre<strong>la</strong> <strong>de</strong>sviación Z(x i )-P(x i ) y <strong>la</strong> calidad <strong>de</strong> P(x i ) consi<strong>de</strong>rado como unestimador <strong>de</strong> <strong>la</strong> esperanza a priori E[Z(x i )].Si embargo, si los métodos <strong>de</strong> mínimos cuadrados se reve<strong>la</strong>ban comoinsatisfactorios, el objetivo que perseguían, y que no alcanzaban o loalcanzaban mal, correspon<strong>de</strong> a un problema muy real y muy importante. En<strong>la</strong> realidad existen fenómenos que absolutamente no se pue<strong>de</strong>n asimi<strong>la</strong>r a(realizaciones <strong>de</strong>) funciones aleatorias estacionarias. Retomando elejemplo <strong>de</strong> <strong>la</strong> cartografía submarina, es cierto que <strong>la</strong> profundidad va enaumento cuando nos alejamos <strong>de</strong> <strong>la</strong>s costas.Ensayaremos formu<strong>la</strong>r y resolver, en el marco <strong>de</strong> <strong>la</strong> teoría <strong>de</strong> <strong>la</strong>sfunciones aleatorias no estacionarias, los problemas importantes quecrean <strong>la</strong>s <strong>de</strong>rivas.4-1-2 Posición <strong>de</strong>l problema e hipótesis generales.La variable regionalizada que se estudia será interpretada como unarealización <strong>de</strong> una función aleatoria Z(x) en general no estacionaria. Enun primer grupo <strong>de</strong> hipótesis, supondremos que Z(x) admite momentos <strong>de</strong>or<strong>de</strong>n 1 y 2:(I)⎧EZ [ ( x)] = mx ( )⎨⎩EZ [ ( xZ ) ( y)] = mxmy ( ) ( ) + Cxy ( , )Diremos que <strong>la</strong> función m(x) es <strong>de</strong>riva <strong>de</strong> <strong>la</strong> F.A. Z(x). Nos parece, enefecto, que <strong>la</strong> única <strong>de</strong>finición conceptualmente c<strong>la</strong>ra <strong>de</strong> <strong>la</strong> noción <strong>de</strong><strong>de</strong>riva es bien esta: momento <strong>de</strong> or<strong>de</strong>n 1 <strong>de</strong> una F.A. no estacionaria. La122
función C(x,y) que <strong>de</strong>pen<strong>de</strong> por separado <strong>de</strong> los puntos x ecovarianza (no estacionaria) habitual.y es <strong>la</strong>En muchos casos (como lo muestra <strong>la</strong> práctica <strong>de</strong> <strong>la</strong> Geoestadística) estashipótesis (I) serán restrictivas, y <strong>de</strong>berán ser reemp<strong>la</strong>zadas por <strong>la</strong>shipótesis (I’) siguientes que expresan que los incrementos <strong>de</strong> <strong>la</strong> funciónaleatoria Z(x) (y no Z(x) misma) admiten momentos <strong>de</strong> or<strong>de</strong>n 1 y 2:(I’)⎧EZ [ ( x) − Z( y)] = mx ( ) −my( )⎪⎨12⎪ D [ Z( x) − Z( y)] = γ ( x, y)⎩2En este caso <strong>la</strong> <strong>de</strong>riva queda <strong>de</strong>terminada salvo una constante, porque, engeneral, <strong>la</strong> esperanza E[Z(x)] no existe: el punto <strong>de</strong> vista <strong>de</strong> <strong>la</strong>shipótesis (I’) consiste entonces en estudiar <strong>la</strong> función aleatoria Z(x)salvo una constante aditiva. La función γ(x,y) es el variograma habitual.(En el espacio <strong>de</strong> una dimensión, procesos tan usuales como el movimientobrowniano o los procesos <strong>de</strong> Poisson proporcionan ejemplos simples <strong>de</strong> F.A.sin esperanza, los cuales verifican <strong>la</strong>s hipótesis (I’) pero no <strong>la</strong>shipótesis (I).Vamos a resolver los dos problemas siguientes (re<strong>la</strong>cionados, perodiferentes): conociendo los valores numéricos tomados sobre un conjunto S(el conjunto <strong>de</strong> los puntos don<strong>de</strong> se dispone <strong>de</strong> datos experimentales) poruna realización z(x) <strong>de</strong> <strong>la</strong> F.A. Z(x), <strong>de</strong>bemos:1/ Estimar <strong>la</strong> función m(x) (en S y al exterior <strong>de</strong> S): es el problema a/anterior.2/ estimar z(x) en un punto x ∉ S (problema b/), o, más generalmente,estimar una “media móvil” ∫ µ ( dx) z( x)en que µ es una medida dada cuyosoporte es disjunto <strong>de</strong> S (problema c/).A<strong>de</strong>más, <strong>de</strong>beremos ser capaces <strong>de</strong> representar por varianzas <strong>de</strong> estimaciónlos errores cometidos en estas operaciones, y esforzarnos <strong>de</strong> elegirnuestros estimadores <strong>de</strong> manera <strong>de</strong> minimizar (si se pue<strong>de</strong>) esta varianza<strong>de</strong> estimación.Respecto <strong>de</strong> este último punto, indiquemos que nos limitaremos ainvestigar el mejor estimador lineal <strong>de</strong> m(x) o <strong>de</strong> ∫µ(dx)z(x) que se puedaformar a partir <strong>de</strong> los valores numéricos z(y), yЄS: los estimadores nolineales son mucho más complicados para ser operativos, y, por otraparte, <strong>sus</strong> propieda<strong>de</strong>s no solo están ligadas a los momentos <strong>de</strong> or<strong>de</strong>n 1 y2, que figuran en <strong>la</strong>s hipótesis (I) o (I’), sino que hacen intervenirtambién <strong>la</strong> totalidad <strong>de</strong> <strong>la</strong> ley espacial <strong>de</strong> <strong>la</strong> F.A. Z(x). (En el caso enque esta ley espacial es gaussiana, se sabe, por otra parte, que el mejorestimador lineal posible coinci<strong>de</strong> con el mejor estimador lineal).Formu<strong>la</strong>do el problema en toda su generalidad (<strong>la</strong>s funciones m(x) y C(x,y)son completamente <strong>de</strong>sconocidas), nuestro problema es manifiestamenteinsoluble, y, por otra parte, <strong>de</strong>sprovisto <strong>de</strong> sentido. Pero en losproblemas concretos, <strong>la</strong> noción <strong>de</strong> <strong>de</strong>riva solo presenta una significaciónreal en el caso en que <strong>la</strong> función m(x) varía <strong>de</strong> una manera continua yregu<strong>la</strong>r respecto <strong>de</strong> <strong>la</strong> esca<strong>la</strong> <strong>de</strong> trabajo (y <strong>de</strong> los datos disponiblesexperimentalmente): si <strong>la</strong> función m(x) fuera irregu<strong>la</strong>r y caótica a estaesca<strong>la</strong>, se <strong>de</strong>bería consi<strong>de</strong>rar que m(x) misma como una realización <strong>de</strong> una123
nueva función aleatoria. Del punto <strong>de</strong> vista físico (y no matemático) <strong>la</strong>noción <strong>de</strong> <strong>de</strong>riva está así manifiestamente ligada a <strong>la</strong> <strong>de</strong> esca<strong>la</strong>. Si seestudian <strong>la</strong>s cotas topográficas, a <strong>la</strong> esca<strong>la</strong> <strong>de</strong> una <strong>de</strong>cena <strong>de</strong> metros, <strong>la</strong>noción <strong>de</strong> montaña se traduce por una <strong>de</strong>riva; a <strong>la</strong> esca<strong>la</strong> <strong>de</strong> una <strong>de</strong>cena <strong>de</strong>kilómetros, solo le correspon<strong>de</strong> una función aleatoria, y <strong>la</strong> <strong>de</strong>riva, aesta esca<strong>la</strong>, expresará más bien <strong>la</strong> noción <strong>de</strong> ca<strong>de</strong>na <strong>de</strong> montañas (vertambién <strong>la</strong> noción <strong>de</strong> estructuras anidadas, [7]).Pero esta condición <strong>de</strong> regu<strong>la</strong>ridad impuesta a priori a <strong>la</strong> función m(x),para que <strong>la</strong> noción <strong>de</strong> <strong>de</strong>riva tenga un contenido físico real, implicatambién que una estimación <strong>de</strong> m(x) <strong>de</strong>be ser siempre más o menos posiblelocalmente. Esta condición expresa en efecto que – en una cierta vecindadV <strong>de</strong> un punto x 0 dado – <strong>la</strong> función m(x) <strong>de</strong>be ser aproximada con unaexcelente precisión por una función <strong>de</strong> <strong>la</strong> forma:(II)k∑ =0mx ( ) ≈ f( x) = af ( x) = af ( x)En que los f ( x)son funciones conocidas, elegidas una vez para siempre(por ejemplo polinomios) y los a coeficientes <strong>de</strong>sconocidos: respecto <strong>de</strong><strong>la</strong> vecindad V <strong>de</strong> x 0 en <strong>la</strong> cual <strong>la</strong> aproximación (II) es aceptable, sin ser<strong>de</strong>masiado gran<strong>de</strong>, <strong>de</strong>be – si el problema tiene sentido – contener unnúmero suficiente <strong>de</strong> puntos experimentales para que sea posible estimarlos k+1 coeficientes a 1 , a 2 , ..., a k .Queda el problema <strong>de</strong> <strong>la</strong> función C(x,y) , o γ(x,y) sobre <strong>la</strong> cual no se sabenada, tampoco a priori. Pero una vez más, y por <strong>la</strong>s mismas razones, sepue<strong>de</strong> suponer que C o γ son localmente asimi<strong>la</strong>bles a funciones <strong>de</strong> tipoconocido y que se <strong>de</strong>forman lentamente en el espacio, a <strong>la</strong> esca<strong>la</strong> a <strong>la</strong>cual se trabaja.El caso más favorable será aquel <strong>de</strong> una función γ (o C) <strong>de</strong> <strong>la</strong> forma:γ ( x, y) = ϖ r ( r=|x- y| )(variograma lineal): Basta, para esto, que el verda<strong>de</strong>ro variograma o <strong>la</strong>verda<strong>de</strong>ra covarianza tenga un comportamiento lineal en una vecindad <strong>de</strong>x=y hasta distancias comparables a <strong>la</strong>s dimensiones <strong>de</strong> <strong>la</strong> vecindad V: estacircunstancia es tan común que a veces no se cree.Sin embargo, en general, a<strong>de</strong>más <strong>de</strong>l factor ϖ , será convenienteintroducir uno o más parámetros suplementarios. Por ejemplo, se tomará:o también:γ( xy , ) = ϖr α (0 < α < 2)γ( x, y)=arϖe−En el primer caso, el parámetro α está en re<strong>la</strong>ción con el grado <strong>de</strong>continuidad <strong>de</strong> <strong>la</strong> variable regionalizada. En el segundo (covarianzaexponencial), el parámetro a, o más bien su inverso, proporciona unamedida <strong>de</strong>l alcance <strong>de</strong>l fenómeno (distancia a partir <strong>de</strong> <strong>la</strong> cual <strong>la</strong>scorre<strong>la</strong>ciones se terminan).124
Naturalmente, el control experimental <strong>de</strong> una hipótesis <strong>de</strong> este tipo, y <strong>de</strong><strong>la</strong> estimación <strong>de</strong> los parámetros correspondientes (ϖ y sobretodo α o a)implicará problemas bastante <strong>de</strong>licados <strong>de</strong> estadística matemática: a pesar<strong>de</strong> su importancia crucial para <strong>la</strong>s <strong>aplicaciones</strong>, no será posible trataraquí completamente estos problemas, y apenas los evocaremos.En resumen, el problema que <strong>de</strong>bemos tratar se encuentra esquematizadocomo sigue: se tiene una F.A. Z(x) <strong>la</strong> cual verifica <strong>la</strong>s hipótesis (I) o(I’). En una vecindad V <strong>de</strong> x 0 , <strong>la</strong> <strong>de</strong>riva m(x) es <strong>de</strong> <strong>la</strong> forma (II) concoeficientes a <strong>de</strong>sconocidos. Se conoce a priori (eventualmente salvo unfactor) <strong>la</strong> covarianza C(x,y) o el variograma γ(x,y). Finalmente, seconocen los valores numéricos <strong>de</strong> (<strong>la</strong> realización <strong>de</strong>) Z(x) para los puntosque pertenecen a un conjunto S ⊂ V . Se quiere encontrar los mejoresestimadores lineales:1/ <strong>de</strong> los coeficientes a <strong>de</strong>sconocidos <strong>de</strong> <strong>la</strong> <strong>de</strong>riva.2/ <strong>de</strong>l valor numérico <strong>de</strong> (<strong>la</strong> realización <strong>de</strong>) Z(x) en x 0<strong>de</strong> ∫ µ ( dx) Z( x)para una medida µ cuyo soporte es disjunto <strong>de</strong> S.∉ S (pero x 03/ <strong>de</strong>seamos a<strong>de</strong>más, po<strong>de</strong>r contro<strong>la</strong>r <strong>la</strong> vali<strong>de</strong>z <strong>de</strong> <strong>la</strong> hipótesis que hemosrealizado al elegir una expresión matemática particu<strong>la</strong>r para <strong>la</strong>covarianza o el variograma, y estimar los parámetros <strong>de</strong> esta expresión.Para simplificar <strong>la</strong> exposición, no formu<strong>la</strong>remos <strong>la</strong> teoría en términos <strong>de</strong>espacios <strong>de</strong> Hilbert. Luego, habrá que referirse a [6] para ciertas<strong>de</strong>mostraciones (sobre todo para establecer los teoremas <strong>de</strong> existencia y<strong>de</strong> unicidad). Utilizaremos <strong>la</strong>s notaciones <strong>de</strong>l párrafo 3-2. No habrándificulta<strong>de</strong>s reales, salvo el caso en que el conjunto S <strong>de</strong> datosexperimentales es infinito: <strong>la</strong> existencia (en el sentido <strong>de</strong> los espacios<strong>de</strong> Hilbert) <strong>de</strong> nuestros estimadores óptimos esta siempre asegurada, perono resulta necesariamente que los estimadores admitan representaciones<strong>de</strong>l tipo ∫ λ( dx) Z( x)con medidas λ con soporte en S. Escribiremos, engeneral, en a<strong>de</strong><strong>la</strong>nte, <strong>la</strong>s ecuaciones integrales re<strong>la</strong>tivas al casocontinuo sin repetir explícitamente esta reserva esencial, que el lector<strong>de</strong>be siempre guardar presente en su espíritu.∈ V) o125
BIBLIOGRAFIA.[1] CARLIER, A. Contribution aux métho<strong>de</strong>s d’estimation<strong>de</strong>s gisements d’uranium. Tesis.Fontenay aux Roses, 1964[2] FORMERY, Ph. Cours <strong>de</strong> Géostatistique. Ecole <strong>de</strong>sMines <strong>de</strong> Nancy, 1965 (no publicado).[3] MATHERON, G. Traité <strong>de</strong> Géostatistique Appliquée.Tomo 1 (1962), Tomo 2 (1963).Ediciones Technip, París.[4] MATHERON, G. Les Variables Régionalisées et leurestimation (Tesis). Masson, París,1965.[5] MATHERON, G. Osnovy Prik<strong>la</strong>dnoï Geostatistiki.Ediciones MIR, Moscú, 1968.[6] MATHERON, G. Le Krigeage Universel. Les Cahiers duCentre <strong>de</strong> Morphologie Mathématique,Fascicule 1, Fontainebleau, 1968.[7] SERRA, J. Echantillonage et estimation locale<strong>de</strong>s phénoménes <strong>de</strong> transition miniéres.Tesis. Nancy, 1967.[8] FORMERY, Ph. y Matheron, G. Recherche d’optima dans <strong>la</strong>reconnaissance et <strong>la</strong> mise enexploitation <strong>de</strong>s gisements miniers.Annales <strong>de</strong>s Mines, Mayo y Junio 1963.126